Abderahman Rejeb a , Alireza Abdollahi b , Karim Rejeb c , Horst Treiblmaier d,
- a Department of Management and Law, Faculty of Economics, University of Rome Tor Vergata, Via Columbia, 2, Rome 00133, Italy
- b Department of Business Administration, Faculty of Management, Kharazmi University, 1599964511 Tehran, Iran
- c Faculty of Sciences ng Bizerte, Unibersidad ng Carthage, Zarzouna, 7021 Bizerte, Tunisia
- d School of International Management, Modul University Vienna, Am Kahlenberg 1, 1190 Vienna, Austria
IMPORMASYON NG ARTIKULO | Abstract |
Keywords: Drones UAV Tiyak na agrikultura Internet ng mga bagay Bibliometrics | Ang mga drone, na tinatawag ding Unmanned Aerial Vehicles (UAV), ay nakasaksi ng isang kahanga-hangang pag-unlad sa nakalipas na mga dekada. Sa agrikultura, binago nila ang mga gawi sa pagsasaka sa pamamagitan ng pag-aalok sa mga magsasaka ng malaking pagtitipid sa gastos, nadagdagan kahusayan sa pagpapatakbo, at mas mahusay na kakayahang kumita. Sa nakalipas na mga dekada, ang paksa ng mga drone sa agrikultura ay nakaakit ng kapansin-pansing atensyong pang-akademiko. Samakatuwid, nagsasagawa kami ng komprehensibong pagsusuri batay sa bibliometrics upang buod at buuin ang mga umiiral na akademikong literatura at ipakita ang kasalukuyang mga uso sa pananaliksik at mga hotspot. Kami ilapat ang mga diskarte sa bibliometric at pag-aralan ang mga literatura na nakapalibot sa mga drone ng agrikultura upang ibuod at suriin ang nakaraang pananaliksik. Isinasaad ng aming pagsusuri na ang remote sensing, precision agriculture, malalim na pag-aaral, machine learning, at Internet of Things ay mga kritikal na paksang nauugnay sa mga agricultural drone. Ang co-citation Ang pagsusuri ay nagpapakita ng anim na malawak na pangkat ng pananaliksik sa panitikan. Ang pag-aaral na ito ay isa sa mga unang pagtatangka upang ibuod ang pananaliksik ng drone sa agrikultura at magmungkahi ng mga direksyon sa hinaharap na pananaliksik. |
pagpapakilala
Kinakatawan ng agrikultura ang pangunahing pinagmumulan ng pagkain ng mundo (Friha et al., 2021), at nahaharap ito sa matinding hamon dahil sa
pagtaas ng demand para sa mga produktong pagkain, kaligtasan ng pagkain, at mga alalahanin sa seguridad pati na rin ang mga panawagan para sa pangangalaga sa kapaligiran, pangangalaga ng tubig, at
pagpapanatili (Inoue, 2020). Ang pag-unlad na ito ay hinuhulaan na magpapatuloy dahil ang populasyon ng mundo ay tinatayang aabot sa 9.7 bilyon sa 2050
(2019). Dahil ang agrikultura ang bumubuo sa pinakakilalang halimbawa ng pagkonsumo ng tubig sa buong mundo, inaasahan na ang pangangailangan sa pagkain at tubig
ang pagkonsumo ay tataas nang husto sa nakikinita na hinaharap. Higit pa rito, ang pagtaas ng pagkonsumo ng mga pataba at pestisidyo
kasabay ng pagtindi ng mga aktibidad sa pagsasaka ay maaaring humantong sa hinaharap na mga hamon sa kapaligiran. Katulad nito, ang lupang taniman ay limitado, at ang
ang bilang ng mga magsasaka ay bumababa sa buong mundo. Ang mga hamong ito ay nagpapatingkad sa pangangailangan para sa mga makabago at napapanatiling solusyon sa pagsasaka (Elijah
et al., 2018; Friha et al., 2021; Inoue, 2020; Tzounis et al., 2017).
Ang pagsasama ng mga nobelang teknolohiya ay natukoy bilang isang magandang solusyon upang matugunan ang mga hamong ito. Matalinong pagsasaka (Brewster et al.,
2017; Tang et al., 2021) at precision agriculture (Feng et al., 2019; Khanna & Kaur, 2019) ay lumitaw bilang resulta ng naturang mga debate. Ang
Ang dating ay isang pangkalahatang ideya para sa paggamit ng mga information communication technologies (ICT) at iba pang mga makabagong inobasyon sa mga aktibidad sa pagsasaka upang mapataas ang kahusayan at bisa (Haque et al., 2021). Nakatuon ang huli sa pamamahalang partikular sa site kung saan nahahati ang lupa
homogenous na bahagi, at ang bawat bahagi ay nakakakuha ng eksaktong halaga ng agrikultural na input para sa crop yield optimization sa pamamagitan ng mga nobelang teknolohiya (Feng et al., 2019; Khanna & Kaur, 2019). Kabilang sa mga kilalang teknolohiya na nakakuha ng atensyon ng mga iskolar sa larangang ito ay ang Wireless Sensor Networks (WSNs) (J. Zheng & Yang, 2018; Y. Zhou et al., 2016), ang Internet of Things (IoT) (Gill et al., 2017; He et al., 2021; Liu et al., 2019),
mga diskarte sa artificial intelligence (AI), kabilang ang machine learning at deep learning (Liakos et al., 2018; Parsaeian et al., 2020; Shadrin et al.,
2019), mga teknolohiya sa pag-compute (Hsu et al., 2020; Jinbo et al., 2019; Zamora-Izquierdo et al., 2019), malaking data (Gill et al., 2017; Tantalaki
et al., 2019), at blockchain (PW Khan et al., 2020; Pincheira et al., 2021).
Bilang karagdagan sa mga nabanggit na teknolohiya, ang remote sensing ay itinuturing na isang teknolohikal na tool na may mataas na potensyal na mapabuti
matalino at tumpak na agrikultura. Ang mga satellite, human-crewed na sasakyang panghimpapawid, at mga drone ay sikat na remote-sensing na teknolohiya (Tsouros et al., 2019).
Ang mga drone, na kilala bilang Unmanned Aerial Vehicles (UAVs), Unmanned Aircraft Systems (UAS), at remotely piloted aircraft, ay
malaking kahalagahan dahil marami silang mga pakinabang kumpara sa iba pang mga teknolohiyang remote-sensing. Halimbawa, ang mga drone ay maaaring maghatid
mataas na kalidad at mataas na resolution na mga larawan sa maulap na araw (Manfreda et al., 2018). Gayundin, ang kanilang kakayahang magamit at bilis ng paglipat ay bumubuo ng iba
benepisyo (Radoglou-Grammatikis et al., 2020). Kung ikukumpara sa sasakyang panghimpapawid, ang mga drone ay lubos na matipid at madaling i-set up at mapanatili (Tsouros et al., 2019). Sa kabila ng pangunahing ginagamit para sa mga layuning militar, ang mga drone ay maaaring makinabang sa maraming sibilyan na aplikasyon, halimbawa sa pamamahala ng supply chain (A. Rejeb, Rejeb, et al., 2021a), para sa mga layuning humanitarian (A. Rejeb, Rejeb, et al., 2021c), matalinong agrikultura, pagsisiyasat at pagmamapa, dokumentasyon ng pamana ng kultura, pamamahala sa sakuna, at pangangalaga sa kagubatan at wildlife (Panday, Pratihast, et al., 2020). Sa agrikultura, umiiral ang iba't ibang lugar ng aplikasyon ng mga drone dahil maaari silang isama sa mga bagong teknolohiya, kakayahan sa pag-compute, at onboard na mga sensor upang suportahan ang pamamahala ng pananim (hal., pagmamapa, pagsubaybay, patubig, diagnosis ng halaman) (H. Huang et al., 2021) , pagbabawas ng sakuna, mga sistema ng maagang babala, konserbasyon ng wildlife at kagubatan upang pangalanan ang ilan (Negash et al., 2019). Katulad nito, ang mga drone ay maaaring magamit sa ilang mga aktibidad sa agrikultura, kabilang ang pagsubaybay sa pananim at paglago, pagtatantya ng ani, pagtatasa ng stress sa tubig, at pagtuklas ng mga damo, peste, at sakit (Inoue, 2020; Panday, Pratihast, et al., 2020). Hindi lamang magagamit ang mga drone para sa mga layunin ng pagsubaybay, pagtatantya, at pagtuklas batay sa kanilang sensory data, kundi pati na rin para sa tumpak na patubig at katumpakan ng damo, peste, at pamamahala ng sakit. Sa madaling salita, nagagawa ng mga drone na mag-spray ng tubig at mga pestisidyo sa mga tiyak na halaga batay sa data ng kapaligiran. Ang mga benepisyo ng mga drone sa agrikultura ay ibinubuod sa Talahanayan 1.
Pangunahing benepisyo ng mga drone sa agrikultura.
Benepisyo | (mga) sanggunian |
Pagandahin ang temporal at spatial sensing resolution | (Gago et al., 2015; Niu et al., 2020; Srivastava et al., 2020) |
Padaliin ang tumpak na agrikultura | (L. Deng et al., 2018; Kalischuk et al., 2019; Maimaitijiang et al., 2017) |
Pag-uuri at pagmamanman ng crops | (Inoue, 2020; Kalischuk et al., 2019; Lopez-´ Granados et al., 2016; Maimaitijiang et al., 2017; Melville et al., 2019; Moharana at Dutta, 2016) |
Paggamit ng pataba | (L. Deng et al., 2018; Guan et al., 2019) |
Pagsubaybay sa tagtuyot | (Fawcett et al., 2020; Panday, Pratihast, et al., 2020; Su et al., 2018) |
Pagtatantya ng biomass | (Bendig et al., 2014) |
Pagtatantya ng ani | (Inoue, 2020; Panday, Shrestha, et al., 2020; Tao et al., 2020) |
Pagbabawas ng kalamidad | (Negash et al., 2019) |
Konserbasyon ng wildlife at palagubatan | (Negash et al., 2019; Panday, Pratihast, et al., 2020) |
Pagtatasa ng stress ng tubig | (Inoue, 2020; J. Su, Coombes, et al., 2018; L. Zhang et al., 2019) |
Peste, damo, at sakit paniniktik | (Gaˇ sparovi´c et al., 2020; Inoue, 2020; J. Su, Liu, et al., 2018; X. Zhang et al., 2019) |
Sa kabilang banda, ang mga drone ay nahaharap din sa mga limitasyon. Paglahok ng piloto, lakas ng makina, katatagan at pagiging maaasahan, kalidad ng mga sensor dahil sa payload
Ang mga limitasyon sa timbang, mga gastos sa pagpapatupad, at regulasyon ng abyasyon, ay kabilang sa mga ito (C. Zhang & Kovacs, 2012). Ikinukumpara namin ang mga pagkukulang
sa tatlong mga teknolohiyang mobile remote sensing sa Talahanayan 2. Ang iba pang mga remote sensing na teknolohiya, tulad ng mga sensor ng lupa, ay lampas sa pokus ng pag-aaral na ito.
Mga pagkukulang ng iba't ibang mga teknolohiya ng mobile remote sensing.
Remote sensing teknolohiya | Mga pagkukulang | Mga sanggunian |
Drone (UAV) | Paglahok ng piloto; mga larawan' kalidad (average); mga gastos sa pagpapatupad (average); katatagan, kadaliang mapakilos, at pagiging maaasahan; estandardisasyon; lakas ng makina; limitadong kapangyarihan mga mapagkukunan (haba ng buhay ng baterya); limitadong tagal ng flight, banggaan at cyberattacks; limitado bigat ng kargada; malalaking dataset at limitadong pagproseso ng data mga kakayahan; kakulangan ng regulasyon; kakulangan ng kadalubhasaan, mataas na pagpasok hadlang sa pag-access sa mga drone ng agrikultura; | (Bacco et al., 2018; Dawaliby et al., 2020; Hardin at Hardin, 2010; Hardin at Jensen, 2011; Lagkas et al., 2018; Laliberte et al., 2007; Laliberte & Rango, 2011; Manfreda et al., 2018, 2018; Nebiker et al., 2008; Puri et al., 2017; Velusamy et al., 2022; C. Zhang at Kovacs, 2012) |
Satellite | Pana-panahong saklaw ng satellite, limitadong parang multo na resolusyon; kahinaan sa mga isyu sa visibility (hal., mga ulap); Unavailability at mababang bilis ng paglipat; oryentasyon at vignetting epekto ng magastos na spatial data koleksyon; mabagal na paghahatid ng data oras na para sa mga end user | (Aboutalebi et al., 2019; Cen et al., 2019; Chen et al., 2019; Nansen at Elliott, 2016; Panday, Pratihast, et al., 2020; Sai Vineeth et al., 2019) |
Mga sasakyang panghimpapawid | Mataas na gastos sa pag-aampon; kumplikadong set-up; mga gastos sa pagpapanatili; hindi magagamit ng maaasahan eroplano, geometry ng mga larawan; hindi regular na data pagkuha; kakulangan ng kakayahang umangkop; nakamamatay na aksidente; data ng sensor mga pagkakaiba-iba dahil sa mga panginginig ng boses; mga isyu sa georeferencing | (Armstrong et al., 2011; Atkinson et al., 2018; Barbedo & Koenigkan, 2018; Kovalev at Voroshilova, 2020; Suomalainen et al., 2013; Thamm et al., 2013) |
Bilang isang multidisciplinary at multipurpose na teknolohiya sa agrikultura, ang mga drone ay sinisiyasat mula sa iba't ibang pananaw. Halimbawa, sinuri ng mga iskolar ang mga aplikasyon ng drone sa agrikultura (Kulbacki et al., 2018; Mogili & Deepak, 2018), ang kanilang kontribusyon sa precision agriculture (Puri et al., 2017; Tsouros et al., 2019), ang kanilang pagkakatugma sa iba cutting-edge na teknolohiya (Al-Thani et al., 2020; Dutta & Mitra, 2021; Nayyar et al., 2020; Saha et al., 2018), at ang mga posibilidad ng pagsulong ng kanilang mga kakayahan sa pag-navigate at sensing (Bareth et al. , 2015; Suomalainen et al., 2014). Dahil ang pananaliksik sa mga aplikasyon ng drone sa agrikultura ay naging laganap (Khan et al., 2021)), mayroong pangangailangan na ibuod ang umiiral na literatura at ihayag ang intelektwal na istruktura ng domain. Higit pa rito, bilang isang high-tech na larangan na may tuluy-tuloy na pagpapabuti, ang mga structured na pagsusuri ay kailangang isagawa upang pana-panahong ibuod ang mga umiiral na literatura at matukoy ang mahahalagang gaps sa pananaliksik. Upang
petsa, may ilang mga pagsusuri na tumatalakay sa mga aplikasyon ng drone sa sektor ng agrikultura. Halimbawa, maikling nirepaso ng Mogili at Deepak (2018) ang mga implikasyon ng mga drone para sa pagsubaybay sa pananim at pag-spray ng pestisidyo. Ang Inoue (2020) ay nagsasagawa ng pagsusuri sa paggamit ng satellite at drone sa remote sensing sa agrikultura. Sinaliksik ng may-akda ang mga teknolohikal na hamon ng pagpapatibay ng matalinong pagsasaka at ang mga kontribusyon ng mga satellite at drone batay sa mga pag-aaral ng kaso at pinakamahusay na kasanayan. Tsouros et al. (2019) ay nagbubuod ng iba't ibang uri ng mga drone at ang kanilang mga pangunahing aplikasyon sa agrikultura, na itinatampok ang iba't ibang paraan ng pagkuha at pagproseso ng data. Higit pang mga kamakailan, Aslan et al. (2022) ay nagsagawa ng komprehensibong pagsusuri ng mga aplikasyon ng UAV sa mga aktibidad sa agrikultura at binigyang-diin ang kaugnayan ng sabay-sabay na lokalisasyon at pagmamapa para sa isang UAV sa greenhouse. Diaz-Gonzalez et al. (2022) nirepaso ang mga kamakailang pag-aaral ng produksyon ng ani ng pananim batay sa iba't ibang diskarte sa machine learning at remote
mga sistema ng sensing. Ang kanilang mga natuklasan ay nagpahiwatig na ang mga UAV ay kapaki-pakinabang upang matantya ang mga tagapagpahiwatig ng lupa at mas mahusay ang pagganap ng mga satellite system sa mga tuntunin ng spatial na resolusyon, temporalidad ng impormasyon, at kakayahang umangkop. Basiri et al. (2022) ay gumawa ng isang kumpletong pagsusuri ng iba't ibang mga diskarte at pamamaraan upang mapagtagumpayan ang mga hamon sa pagpaplano ng landas para sa mga multi-rotor na UAV sa konteksto ng precision agriculture. Bukod dito, Awais et al. (2022) ay nagbubuod ng aplikasyon ng UAV remote sensing data sa mga pananim upang matantya ang katayuan ng tubig at nagbigay ng malalim na synthesis ng inaasahang kapasidad ng UAV remote sensing para sa waster stress application. Sa wakas, Aquilani et al. (2022) nirepaso ang mga teknolohiya sa pagsasaka ng prebisyon na inilapat sa mga sistema ng paghahayupan na nakabatay sa pastulan at hinuhusgahan na ang remote sensing na pinagana ng mga UAV ay kapaki-pakinabang para sa pagtatasa ng biomass at pamamahala ng kawan.
Gayundin, ang mga pagsisikap na gumamit ng mga UAV sa pagsubaybay, pagsubaybay, at pag-iipon ng mga hayop ay naiulat kamakailan.
Bagama't ang mga review na ito ay nagbubunga ng bago at mahahalagang insight, walang komprehensibo at napapanahon na pagsusuri batay sa bibliometrics ang makikita sa literatura, na nagpapakita ng malinaw na agwat sa kaalaman. Bukod dito, nasabi na kapag ang produksyon ng iskolar ay lumago sa isang pang-agham na domain, nagiging mahalaga para sa mga mananaliksik na gumamit ng mga diskarte sa pagsusuri ng dami upang maunawaan ang istruktura ng kaalaman ng domain (Rivera & Pizam, 2015). Katulad nito, Ferreira et al. (2014) ay nagtalo na habang ang mga larangan ng pananaliksik ay tumanda at nagiging masalimuot, ang mga iskolar ay dapat maghangad na paminsan-minsan ay magkaroon ng kahulugan sa kaalamang nabuo at naipon upang ipakita ang mga bagong kontribusyon, makuha ang mga tradisyon at uso sa pananaliksik, tukuyin kung aling mga paksa ang pinag-aaralan, at suriin ang istruktura ng kaalaman ng ang larangan at ang mga potensyal na direksyon ng pananaliksik. Habang ang Raparelli at Bajocco (2019) ay nagsagawa ng pagsusuri sa bibliometric upang suriin ang domain ng kaalaman ng mga aplikasyon ng drone sa agrikultura at kagubatan, isinasaalang-alang lamang ng kanilang pag-aaral ang iskolar na pananaliksik na inilathala sa pagitan ng 1995 at 2017, na hindi sumasalamin sa dinamika ng mabilis na paggalaw na lugar na ito. Dagdag pa, hindi sinubukan ng mga may-akda na tukuyin ang mga pinaka-maimpluwensyang kontribusyon sa larangan, i-cluster ang panitikan, at suriin ang intelektwal na istruktura gamit ang co-citation analysis. Bilang resulta, kinakailangan na ibuod ang literatura upang ipakita ang kasalukuyang foci ng pananaliksik, mga uso, at mga hotspot.
Upang punan ang gap ng kaalaman na ito, ginagamit namin ang quantitative methodology at mahigpit na bibliometric na pamamaraan upang suriin ang kasalukuyang estado ng pananaliksik sa intersection ng mga drone at agrikultura. Pinagtatalunan namin na ang kasalukuyang pag-aaral ay gumagawa ng ilang kontribusyon sa umiiral na literatura sa pamamagitan ng pagsusuri sa isang umuusbong na teknolohiya na lubhang kailangan sa agrikultura dahil nagbibigay ito ng napakalaking potensyal na baguhin ang ilang aspeto sa sektor na ito. Ang pangangailangan para sa isang bibliometric na pagsusuri ng mga drone ng agrikultura ay higit na nararamdaman dahil sa nakakalat at pira-pirasong kaalaman sa mga drone sa loob ng konteksto ng agrikultura. Katulad nito, ang mga literatura na nauukol sa mga drone ng agrikultura ay kinakailangang sistematikong pinagsama-sama, isinasaalang-alang ang mga pinaka-maimpluwensyang pag-aaral na nagtatayo ng pundasyon ng larangan ng pananaliksik na ito. Kasama rin sa merito sa pagsusuri ang paglilinaw ng mga pangunahing tema ng pananaliksik na kinakatawan sa panitikan. Isinasaalang-alang ang pagbabagong potensyal ng teknolohiya, naniniwala kami na ang isang malalim na pagsusuri sa network ay nagbubunga ng mga bagong insight sa pamamagitan ng pagtukoy sa mga maimpluwensyang gawa at paglalahad ng mga tema tungkol sa potensyal ng mga drone para sa agrikultura.
Samakatuwid, nagsusumikap kaming makamit ang mga sumusunod na layunin ng pananaliksik:
- Pagkilala sa mga maimpluwensyang publikasyon na may natitirang kontribusyon sa mga aplikasyon ng drone sa larangan ng agrikultura.
- Pag-cluster ng literatura, pagkilala sa foci ng pananaliksik, at pagmamapa ng mga pangunahing pag-aaral na 'intelektwal na istruktura' batay sa pagkakatulad ng semantiko sa pamamagitan ng paggamit ng co-citation analysis.
- Pag-unawa sa ebolusyon ng mga linkage at citation network sa paglipas ng panahon sa iba't ibang publikasyon sa larangan at pagtukoy ng mga direksyon sa hinaharap na pananaliksik at mainit na paksa.
Ang natitirang bahagi ng papel ay nakabalangkas tulad ng sumusunod: ang seksyon 2 ay binabalangkas ang pamamaraan at mga hakbang sa pagkolekta ng data; ang seksyon 3 ay nagbibigay ng mga resulta ng mga pagsusuri; at ang seksyon 4 ay tumatalakay sa mga natuklasan at nagtatapos sa mga kontribusyon sa pananaliksik, mga implikasyon, at mga direksyon sa hinaharap.
Pamamaraan
Sa kasalukuyang pag-aaral ng pananaliksik na ito, nagsasagawa kami ng pagsusuri sa bibliometric upang galugarin ang mga aplikasyon ng drone sa agrikultura. Ang quantitative approach na ito ay nagpapakita ng intelektwal na istruktura ng domain ng kaalaman (Arora & Chakraborty, 2021) at ang kasalukuyang katayuan, mainit na paksa, at mga direksyon sa pananaliksik sa hinaharap na maaaring maimbestigahan sa pamamagitan ng paglalapat ng pamamaraang ito (Kapoor et al., 2018; Mishra et al. , 2017; A. Rejeb, Rejeb, et al., 2021b; A. Rejeb et al., 2021d; MA Rejeb et al., 2020). Sa pangkalahatan, sinusuri ng isang bibliometric analysis ang umiiral na literatura upang ibuod at matuklasan ang mga nakatagong pattern ng nakasulat na komunikasyon at ang ebolusyon ng disiplina batay sa mga istatistika at mga pamamaraan ng matematika, at nalalapat ito sa malalaking set ng data (Pritchard, 1969; Small, 1999; Tahai & Rigsby , 1998). Sa pamamagitan ng paggamit ng bibliometrics, hangad naming mas maunawaan ang mga umiiral na paradigms at research foci na nag-aambag sa domain batay sa pagkakatulad (Thelwall, 2008). Nagbibigay ang Bibliometrics ng mga bagong insight na sinusuportahan ng layunin ng dami ng lakas ng pamamaraan (Casillas & Acedo, 2007). Maraming iskolar ang dati nang nagsagawa ng mga pag-aaral ng bibliometric sa mga kaugnay na domain, kabilang ang agrikultura, remote sensing, at digital transformation (Armenta-Medina et al., 2020; Bouzembrak et al., 2019; A. Rejeb, Treiblmaier, et al., 2021; Wamba & Queiroz, 2021; Wang et al., 2019).
Pagsusuri ng pagsipi
Ang pagsusuri sa pagsipi ay nagpapakita ng iba't ibang mga insight sa isang partikular na larangan ng pananaliksik. Una sa lahat, nakakatulong ito na ipakita ang mga pinaka-maimpluwensyang may-akda at publikasyon na nag-aambag sa isang partikular na larangan ng pananaliksik at gumawa ng isang makabuluhang epekto (Gundolf & Filser, 2013). Pangalawa, ang daloy ng kaalaman at ang mga link sa komunikasyon sa pagitan ng mga may-akda ay maaaring matuklasan. Sa wakas, sa pamamagitan ng pagsubaybay sa mga link sa pagitan ng binanggit at pagbanggit ng mga gawa, maaaring tuklasin ng isa ang mga pagbabago at ebolusyon ng isang domain ng kaalaman sa paglipas ng panahon (Pournader
et al., 2020). Ang mataas na bilang ng pagsipi ng isang publikasyon ay nagpapakita ng kaugnayan nito at malaking kontribusyon sa domain ng pananaliksik (Baldi, 1998; Gundolf & Filser, 2013; Marinko, 1998). Ang pagsusuri sa pagsipi ng mga publikasyon ay nakakatulong din upang matukoy ang mga nauugnay na gawa at masubaybayan ang kanilang katanyagan at pag-unlad sa paglipas ng panahon.
Pagsusuri ng co-citation ng dokumento
Ang co-citation analysis ay isang mahalagang paraan upang galugarin ang mga ugnayan sa pagitan ng mga publikasyon at ilarawan ang intelektwal na istruktura ng isang larangan (Nerur et al., 2008). Sa madaling salita, sa pamamagitan ng pagtukoy sa pinakamaraming binanggit na mga publikasyon at kanilang mga koneksyon, ang pamamaraan ay nagpapangkat-pangkat ng mga publikasyon sa mga natatanging pangkat ng pananaliksik kung saan ang mga publikasyon sa isang cluster ay regular na nagbabahagi ng mga katulad na ideya (McCain, 1990; Small, 1973). Mahalagang banggitin na ang pagkakatulad ay hindi nangangahulugan na ang mga natuklasan ng mga publikasyon ay
magkaisa at magkasundo sa isa't isa; nabibilang ang mga publikasyon sa parehong kumpol dahil sa pagkakatulad ng paksa, ngunit maaari silang magkaroon ng magkasalungat na pananaw.
Pagkolekta ng data at pagtatasa
Kasunod ng pamamaraang iminungkahi nina White at Griffith (1981), nagsagawa kami ng komprehensibong paghahanap ng mga artikulo sa journal upang masakop ang buong domain ng pananaliksik ng mga aplikasyon ng drone sa agrikultura, na isagawa ang sumusunod na limang hakbang:
- Ang unang hakbang ay ang pagkolekta ng data. Napili ang Scopus bilang isa sa pinakakomprehensibo at mapagkakatiwalaang database na may mga standardized na resulta. Ang meta-data ng mga publikasyong nauugnay sa lahat ng mga aplikasyon ng drone sa agrikultura ay nakuha. Pagkatapos ay sinuri namin ang mga napiling artikulo, inaalis ang mga artikulong wala sa paksa mula sa pagsusuri.
- Sinuri namin ang literatura at natukoy ang pinakamahalagang keyword na ginamit sa lugar ng pananaliksik.
- Gamit ang pagtatasa ng pagsipi, ginalugad namin ang koneksyon sa pagitan ng mga may-akda at mga dokumento upang ipakita ang pinagbabatayan na mga pattern ng pagsipi. Natukoy din namin ang mga pinaka-maimpluwensyang may-akda at publikasyon na may makabuluhang kontribusyon sa larangan ng mga drone ng agrikultura.
- Nagsagawa kami ng co-citation analysis upang ipangkat ang mga katulad na publikasyon sa mga cluster.
- Sa wakas, sinuri namin ang mga koneksyon at ugnayan sa pagitan ng mga bansa, institusyon, at journal upang ilarawan ang network ng pakikipagtulungan.
Pagkilala sa mga angkop na termino para sa paghahanap
Inilapat namin ang mga sumusunod na string ng paghahanap para sa pagsasama-sama ng data: (drone* O “unmanned aerial vehicle” O uav* O “unmanned aircraf system” O uas O “remotely piloted aircraft”) AT (agrikultura O agrikultura O pagsasaka O magsasaka). Isinagawa ang paghahanap noong Setyembre 2021. Ang mga drone ay may ilang mga pagtatalaga, kabilang ang UAV, UAS, at remotely piloted aircraft (Sah et al., 2021). Natukoy ang mga partikular na termino para sa paghahanap na nauugnay sa agrikultura batay sa pag-aaral ng Abdollahi et al. (2021). Para sa kalinawan at transparency, ang eksaktong query na ginamit namin ay ibinibigay sa Appendix 1. Kasunod ng proseso ng paglilinis ng data, gumawa kami ng text file na pagkatapos ay na-load sa BibExcel, isang karaniwang tool para sa pagsipi at co-citation analysis. Nag-aalok din ang tool na ito ng simpleng pakikipag-ugnayan sa ibang software at nag-aalok ng malaking antas ng kalayaan sa paghawak at pagsusuri ng data. Ang VOSviewer na bersyon 1.6.16 ay ginamit upang mailarawan ang mga natuklasan at bumuo ng mga bibliometric network (Eck & Waltman, 2009). Nag-aalok ang VOSviewer ng isang hanay ng intuitive visualization, partikular para sa pagsusuri ng mga bibliometric na mapa (Geng et al., 2020). Higit pa rito, nakakatulong ito sa pagbibigay ng mga simpleng visual na resulta na tumutulong sa mas mahusay na pag-unawa sa mga resulta (Abdollahi et al., 2021). Ang paglalapat ng mga string ng paghahanap tulad ng nakasaad sa itaas, tinipon at inimbak namin ang lahat ng nauugnay na publikasyon. Ang mga unang resulta ng paghahanap ay nagbunga ng kabuuang 5,085 na dokumento. Upang matiyak ang kalidad ng napiling sample, ang mga peer-reviewed na artikulo sa journal lamang ang isinasaalang-alang sa pananaliksik, na nagreresulta sa pagbubukod ng iba pang mga uri ng dokumento, tulad ng mga aklat, mga kabanata, mga paglilitis sa kumperensya, at mga tala ng editoryal. Sa panahon ng proseso ng screening, hindi nauugnay (ibig sabihin, lampas sa saklaw ng gawaing ito), kalabisan (ibig sabihin, mga duplicate na nagmula sa double indexing), at mga publikasyong hindi nagsasalita ng Ingles ay na-filter out. Ang prosesong ito ay nagresulta sa pagsasama ng 4,700 mga dokumento sa huling pagsusuri.
Mga natuklasan at talakayan
Upang magsimula, sinuri namin ang mga pag-unlad sa output ng publikasyon sa kasalukuyang panitikan sa mga drone ng agrikultura. Ang temporal na pamamahagi ng iskolar na pananaliksik ay ipinapakita sa Fig. 1. Nakikita natin ang mabilis na pagdami ng mga publikasyon mula sa taong 2011 (30 publikasyon) pasulong; samakatuwid, nagpasya kaming hatiin ang panahon ng pagsusuri sa dalawang magkaibang yugto. Tinutukoy namin ang panahon sa pagitan ng 1990 at 2010 bilang yugto ng build-up, na may humigit-kumulang pitong papel na nai-publish taun-taon. Ang panahon ng post-2010 ay tinawag na yugto ng paglago dahil ang pananaliksik sa mga aplikasyon ng drone sa agrikultura ay nakasaksi ng isang exponential surge sa panahong ito. Pagkatapos ng 2010, ang pagtaas ng bilang ng mga publikasyon ay nagpapatunay sa lumalaking interes sa mga mananaliksik, na sumasalamin din na ang mga drone ay inilapat sa remote sensing at ginamit sa precision agriculture (Deng et al., 2018; Maes & Steppe, 2019; Messina & Modica, 2020 ). Sa partikular, ang bilang ng mga publikasyon ay tumaas mula 108 noong 2013 hanggang 498 noong 2018 at umakyat sa 1,275 noong 2020. May kabuuang 935 na artikulo ang nai-publish sa pagitan ng Enero at kalagitnaan ng Setyembre 2021. Kasunod nito, mas pinili naming ituon ang aming pagsusuri sa yugto ng paglago dahil ang panahong ito ay sumasalamin sa pinakabago at mahahalagang subtleties ng mga drone ng agrikultura.
Pagsusuri ng mga keyword
Ang mga keyword na pinili ng mga may-akda para sa isang publikasyon ay may mahalagang epekto sa kung paano kinakatawan ang papel at kung paano ito ipinaparating sa loob ng mga komunidad na siyentipiko. Tinutukoy nila ang mga pangunahing paksa ng pananaliksik at tinutukoy ang potensyal nito na umunlad o mabigo (Day & Gastel, 1998.; Kim et al., 2016; Uddin et al., 2015). Ang pagsusuri ng mga keyword, isang tool upang ipakita ang mas malawak na mga trend at direksyon sa pananaliksik, ay tumutukoy sa compilation ng mga keyword ng lahat ng nauugnay na publikasyon sa isang domain (Dixit & Jakhar, 2021). Sa kasalukuyang pag-aaral, hinati namin ang pinagsama-samang mga keyword sa dalawang hanay (ibig sabihin, hanggang 2010 at 2011–2021) upang galugarin ang mga pinakasikat na paksa. Sa paggawa nito, masusubaybayan namin ang mahahalagang keyword sa parehong hanay at masisiguro namin na nakuha namin ang lahat ng kinakailangang data. Para sa bawat hanay, ang nangungunang sampung keyword ay ipinakita sa Talahanayan 3. Inalis namin ang mga hindi pagkakapare-pareho sa pamamagitan ng pagsasama-sama ng magkakahawig na mga keyword, gaya ng "drone" at "drone" o, katulad, "Internet of Things" at "IoT."
Ipinapakita sa talahanayan 3 na ang "unmanned aerial vehicle" ay isang mas madalas na ginagamit na keyword kumpara sa "drone" at "unmanned aerial system" sa parehong yugto ng panahon. Gayundin, mataas ang ranggo ng "remote sensing," "precision agriculture," at "agriculture" sa parehong mga panahon. Sa unang yugto, ang "precision agriculture" ay niraranggo sa ikalima, at ito ay pumangalawa sa ikalawang yugto, na naglalarawan kung paano nagiging mas mahalaga ang mga drone sa pagkamit ng precision agriculture dahil maaari silang gumawa ng pagsubaybay,
mas mabilis, mas mura, at mas madaling gawin ang pagtuklas, at pagtatantya kumpara sa iba pang remote-sensing at ground-based system. Gayundin, maaari nilang i-spray ang tumpak na dami ng input (hal., tubig o mga pestisidyo) kapag kinakailangan (Guo et al., 2020; Inoue, 2020; Panday, Pratihast, et al., 2020).
Listahan ng pinakamadalas na ginagamit na mga keyword.
Ranggo | 1990-2010 | Hindi mga pangyayari | 2011-2021 | Hindi mga pangyayari |
1 | unmanned aerial sasakyan | 28 | hindi pinuno sasakyang panghimpapawid | 1628 |
2 | remote sensing | 7 | katumpakan agrikultura | 489 |
3 | agrikultura | 4 | remote sensing | 399 |
4 | nasa eruplano | 4 | hugong | 374 |
5 | katumpakan agrikultura | 4 | hindi pinuno sistema ng himpapawid | 271 |
6 | unmanned aerial | 4 | agrikultura | 177 |
7 | hyperspectral sensor | 3 | malalim na pag-aaral | 151 |
8 | artipisyal na neural network | 2 | makina pag-aaral | 149 |
9 | autonomous na paglipad | 2 | mga halaman Index | 142 |
10 | kape | 2 | Internet ng Mga bagay | 124 |
Ang isa pang kawili-wiling tampok ay ang pagkakaroon ng mga pantulong na teknolohiya. Sa unang yugto, ang "Hyperspectral Sensor" at "artificial neural network" (ANN) ay kabilang sa nangungunang sampung keyword. Binago ng hyperspectral imaging ang tradisyonal na imaging sa pamamagitan ng pagkolekta ng malaking bilang ng mga imahe sa iba't ibang wavelength. Sa paggawa nito, ang mga sensor ay maaaring sabay na mangolekta ng mas mahusay na spatial at spectral na impormasyon kumpara sa multispectral imaging, spectroscopy, at RGB imagery (Adao ˜ et al.,
2017). Ang paglitaw ng "ANN" sa unang yugto at "deep learning" (DL) at "machine learning" (ML) sa pangalawa ay nagpapahiwatig na karamihan sa mga nai-publish na mga gawa ay nakatuon sa pagsusuri sa potensyal ng mga diskarte ng AI para sa drone- batay sa agrikultura. Kahit na ang mga drone ay may kakayahang lumipad nang awtonomiya, nangangailangan pa rin sila ng paglahok ng isang piloto, na nagpapahiwatig ng mababang antas ng katalinuhan ng device. Gayunpaman, maaaring malutas ang problemang ito dahil sa pag-unlad ng mga diskarte sa AI, na maaaring magbigay ng mas mahusay na kamalayan sa sitwasyon at autonomous na suporta sa desisyon. Nilagyan ng AI, maiiwasan ng mga drone ang mga banggaan sa panahon ng nabigasyon, mapabuti ang pamamahala ng lupa at pananim (Inoue, 2020), at mabawasan ang paggawa at stress para sa mga tao (BK Sharma et al., 2019).
Dahil sa kanilang kakayahang umangkop at kakayahang pangasiwaan ang napakaraming nonlinear na data, ang mga diskarte ng AI ay angkop na pamamaraan upang pag-aralan ang data na ipinadala ng mga drone at iba pang remote-sensing at ground-based na mga sistema para sa hula at paggawa ng desisyon (Ali et al., 2015; Inoue, 2020). Higit pa rito, ang pagkakaroon ng "IoT" sa ikalawang yugto ay nagpapahiwatig ng umuusbong na papel nito sa agrikultura. Binabago ng IoT ang agrikultura sa pamamagitan ng pag-uugnay sa iba pang mga teknolohiya, kabilang ang mga drone, ML, DL, WSN, at malaking data. Ang isa sa mga pangunahing benepisyo ng pagpapatupad ng IoT ay ang kakayahan nitong mahusay at epektibong pagsamahin ang iba't ibang gawain (pagkuha ng data, pagsusuri at pagproseso ng data, paggawa ng desisyon, at pagpapatupad) sa malapit na real time (Elijah et al., 2018; Feng et al. , 2019; Muangprathub et al., 2019). Higit pa rito, ang mga drone ay itinuturing na mahusay na mga tool para sa pagkuha ng data na kinakailangan para sa pagkalkula ng sigla ng mga halaman at mga katangian ng halaman (Candiago et al., 2015). Ang Fig. 2a at 2b ay naglalarawan ng keyword na magkakasamang pangyayari na network para sa parehong yugto ng panahon.
Mga maimpluwensyang may-akda
Sa seksyong ito, tinutukoy namin ang mga maimpluwensyang may-akda at sinusuri kung paano makikita at maisasaayos ng mga network ng pagsipi ng may-akda ang kasalukuyang panitikan. Ipinapakita ng Fig. 3 ang chronological overlay ng lahat ng mananaliksik na may pinakamataas na bilang ng mga pagsipi. Ang sukat ng kulay ay sumasalamin sa taon-wise na pagkakaiba-iba ng mga pagsipi ng mga may-akda. Sinusuri namin ang istruktura ng pagsipi ng mga mananaliksik na nag-publish ng mga pag-aaral sa mga drone ng agrikultura sa pamamagitan ng paggamit ng threshold na hindi bababa sa 50 mga pagsipi at sampung publikasyon. Mula sa
12,891 mga may-akda, 115 lamang ang nakamit ang kundisyong ito. Inililista ng talahanayan 4 ang nangungunang sampung maimpluwensyang may-akda, na pinagsunod-sunod ayon sa maximum na bilang ng mga pagsipi. Lopez- Granados F. nangunguna sa listahan na may 1,963 na pagsipi, na sinusundan ng Zarco-Tejada PJ na may 1,909 na pagsipi.
Listahan ng pinakamaraming binanggit na mga may-akda.
Pagra-ranggo | may-akda | Mga Pagsipi |
1 | Lopez-Granados ´ F. | 1,963 |
2 | Zarco-Tejada PJ | 1,909 |
3 | Pena ˜ JM | 1,644 |
4 | Torres-S' anchez J. | 1,576 |
5 | Fereres E | 1,339 |
6 | Remondino F | 1,235 |
7 | Bolten A | 1,160 |
8 | Bareth G | 1,155 |
9 | Berni JA | 1,132 |
10 | de Castro AI | 1,036 |
Pagdating sa mga indibidwal na publikasyon, ang artikulo ni Zhang at Kovacs (2012) ay ang pinaka binanggit na pag-aaral na inilathala sa Precision Agriculture. Dito, sinuri ng mga may-akda ang aplikasyon ng UAS sa katumpakan na agrikultura. Iminumungkahi ng mga natuklasan ng kanilang pananaliksik na kailangang isulong ang disenyo ng platform, produksyon, standardisasyon ng georeferencing ng imahe, at daloy ng trabaho sa pagkuha ng impormasyon upang mabigyan ang mga magsasaka ng maaasahang mga produktong pangwakas. Bukod pa rito, inirerekomenda nila ang pakikipag-ugnayan sa magsasaka nang mas malakas, lalo na sa pagpaplano ng field, pagkuha ng larawan, pati na rin ang interpretasyon at pagsusuri ng data. Mahalaga, ang pag-aaral na ito ay kabilang sa mga unang nagpakita ng kahalagahan ng UAV sa field mapping, vigor mapping, pagsukat ng nilalaman ng kemikal, pagsubaybay sa stress ng mga halaman, at pagsusuri ng mga epekto ng mga pataba sa paglago ng halaman. Kasama rin sa mga hamon na nauugnay sa teknolohiya ang mga mahahadlang na gastos, kakayahan ng sensor, katatagan at pagiging maaasahan ng platform, kawalan ng standardisasyon, at pare-parehong pamamaraan upang pag-aralan ang napakalaking halaga ng data.
Pagsusuri ng pagsipi
Ang pagtatasa ng pagsipi ay kumakatawan sa pag-aaral ng impluwensya ng mga artikulo, kahit na madaling kapitan ng mga daloy (hal., pagkiling sa pagsipi, pagsipi sa sarili) ay itinuturing na isa sa mga karaniwang instrumento para sa pagsusuri ng epekto (Osareh, 1996; A. Rejeb et al., 2022; Sarli et al., 2010). Sinasalamin din ng mga pagsipi ang kahalagahan at sigla ng mga kontribusyon ng mga papel sa panitikan sa isang partikular na paksa (R. Sharma et al., 2022). Nagsagawa kami ng pagtatasa ng pagsipi upang matukoy ang mga pinaka-maimpluwensyang pag-aaral sa mga drone ng agrikultura at ibubuod ang mga nilalaman. Ang talahanayan 5 ay nagpapakita ng listahan ng labinlimang pinaka-maimpluwensyang papel para sa mga panahon ng 1990–2010 at 2011–2021. Ang mga artikulo ni Berni et al. (2009)b at Austin (2010) ang pinakamaraming binanggit noong 1990 at 2010, na may 831 at 498 na pagsipi, ayon sa pagkakabanggit. Berni et al. (2009)b inilalarawan ang potensyal na bumuo ng mga quantitative remotesensing na produkto sa pamamagitan ng isang helicopter-based na UAV na nilagyan ng abot-kayang thermal at narrowband na multispectral imaging sensor. Kung ikukumpara sa mga tradisyunal na manned airborne sensors, ang isang murang UAV system para sa agrikultura ay makakamit ang maihahambing na mga pagtatantya ng biophysical parameter ng mga pananim, kung hindi man mas mabuti. Ang abot-kayang gastos at kakayahang umangkop sa pagpapatakbo, kasama ang mataas na spectral, spatial, at temporal na mga resolusyon na available sa mabilis na oras ng turnaround, ginagawang angkop ang mga UAV para sa isang hanay ng mga application na nangangailangan ng pamamahalang kritikal sa oras, kabilang ang pag-iiskedyul ng irigasyon, at tumpak na pagsasaka. Ang papel mula kay Berni et al. (2009)b ay lubos na binanggit dahil epektibo nitong isinama ang isang unmanned rotary-wing platform at mga digital at thermal sensor na may mga kinakailangang mekanismo ng pagkakalibrate para sa mga aplikasyong pang-agrikultura. Ang pangalawang pinakanabanggit na publikasyon ay isang aklat na isinulat ni Austin (2010), na tumalakay sa mga UAV mula sa mga pananaw sa disenyo, pag-unlad, at pag-deploy. Sa agrikultura, sinusuportahan ng mga UAV ang pagsubaybay sa pananim sa pamamagitan ng pagtuklas ng mga sakit nang maaga sa pamamagitan ng mga pagbabago sa kulay ng pananim, pagpapadali sa paghahasik at pagsabog ng pananim, at pagsubaybay at pagmamaneho ng mga kawan.
Ang mga pag-aaral ni Sullivan et al. (2007), Lumme et al. (2008), at Gokto ¨ ǧan et al. (2010) tapusin ang listahan ng nangungunang labinlimang artikulong may pinakamaraming binanggit. Inilalarawan ng mga artikulong ito ang pagbuo ng mga sistemang nakabatay sa UAV upang suportahan ang agrikultura. Nag-aalok sila ng mga solusyon sa iba't ibang problema, tulad ng pagsubaybay at pag-scan ng pananim, pagsubaybay at pamamahala ng mga damo, at suporta sa desisyon. Iminumungkahi at tinalakay din nila ang kakayahan ng UAV na pataasin ang kahusayan sa sampling at tulungan ang mga magsasaka sa pagbuo ng tumpak at epektibo
mga estratehiya sa pagtatanim. Dalawang papel ang isinulat ni Berni (Berni et al., 2009b; Berni et al., 2009a), na binibigyang-diin ang kanyang makabuluhang epekto sa pananaliksik na nauugnay sa drone sa agrikultura. Ang papel mula sa Zarco-Tejada et al. (2014) ay kabilang sa mga pangunguna sa pag-aaral upang ilarawan ang pangangailangang gumamit ng murang UAV na imahe sa pag-quantification ng taas ng puno.
Listahan ng pinakamaraming binanggit na publikasyon.
Ranggo | Mula 1990 sa 2010 | Mula 2011 sa 2021 | ||
Dokumento | Banggit | Dokumento | Banggit | |
1 | (Berni et al., 2009b) | 831 | (C. Zhang at Kovacs, 2012) | 967 |
2 | (Austin, 2010) | 498 | (Nex at Remondino, 2014) | 893 |
3 | (Hunt et al., 2010) | 331 | (Floreano at Wood, 2015) | 552 |
4 | (SR Herwitz et al., 2004) | 285 | (Hossein Motlagh et al., 2016) | 391 |
5 | (CCD Lelong et al., 2008) | 272 | (Shakhatreh et al., 2019) | 383 |
6 | (Berni et al., 2009b) | 250 | (Ma et al., 2017) | 373 |
7 | (Grenzdorffer ¨ et al., 2008) | 198 | (Bendig et al., 2014) | 360 |
8 | (Hrabar et al., 2005) | 175 | (Zarco-Tejada et al., 2014) | 347 |
9 | (Y. Huang et al., 2009) | 129 | (Ad ao et al., 2017) | 335 |
10 | (Schmale III et al., 2008) | 119 | (Honkavaara et al., 2013a) | 331 |
11 | (Abd-Elrahman et al., 2005) | 79 | (Candiago et al., 2015) | 327 |
12 | (Techy et al., 2010) | 69 | (Xiang & Tian, 2011) | 307 |
13 | (Sullivan et al., 2007) | 51 | (Matese et al., 2015) | 303 |
14 | (Lumme et al., 2008) | 42 | (Gago et al., 2015) | 275 |
15 | (Gokto ¨ ǧan et al., 2010) | 40 | (Aasen et al., 2015a) | 269 |
Sa ikalawang yugto (2011–2021), ang pananaliksik nina Zhang at Kovacs (2012) at Nex at Remondino (2014) ay nagresulta sa pinakamadalas na binanggit na mga publikasyon. Naninindigan sina Zhang at Kovacs (2012) na ang precision agriculture ay maaaring makinabang mula sa pagpapatupad ng geospatial techniques at sensors, gaya ng geographic information system, GPS, at remote sensing, upang makuha ang mga variation sa field at pangasiwaan ang mga ito sa pamamagitan ng paggamit ng mga alternatibong estratehiya. Bilang isang game-changer sa precision agriculture, ang paggamit ng mga drone ay nagpahayag ng bagong panahon sa remote sensing, pagpapasimple ng aerial observation, pagkuha ng data ng paglago ng pananim, kondisyon ng lupa, at pag-spray ng mga lugar. Ang pagsusuri ng Zhang at Kovacs (2012) ay mahalaga dahil nag-aalok ito ng mga insight sa mga UAV sa pamamagitan ng paglalahad ng mga umiiral nang gamit at hamon ng mga device na ito sa pagsubaybay sa kapaligiran at tumpak na agrikultura, tulad ng mga limitasyon sa platform at camera, mga hamon sa pagproseso ng data, pakikipag-ugnayan ng mga magsasaka, at mga regulasyon sa aviation . Ang ikalawa
karamihan sa mga binanggit na pag-aaral mula sa Nex at Remondino (2014) ay nirepaso ang estado ng sining ng mga UAV para sa pagkuha, pagproseso, at pagsusuri ng mga larawan sa lupa.
Ang kanilang trabaho ay nagpakita rin ng pangkalahatang-ideya ng ilang UAV platform, application, at use case, na nagpapakita ng mga pinakabagong pagsulong sa UAV image processing. Sa agrikultura, maaaring gamitin ng mga magsasaka ang mga UAV upang makagawa ng mga epektibong desisyon para makatipid sa gastos at oras, makatanggap ng mabilis at tumpak na rekord ng mga pinsala, at mahulaan ang mga posibleng problema. Kabaligtaran sa mga nakasanayang aerial platform, maaaring bawasan ng mga UAV ang mga gastos sa pagpapatakbo at bawasan ang panganib ng pag-access sa malupit na mga lokasyon habang pinapanatili pa rin ang mataas na potensyal na katumpakan. Ang kanilang papel ay nagbubuod ng iba't ibang mga pakinabang ng mga UAV, lalo na sa mga tuntunin ng katumpakan at paglutas.
Kabilang sa natitirang labintatlo na pinaka-nabanggit na mga publikasyon sa pagitan ng 2011 at 2021, napansin namin ang isang mas malaking konsentrasyon sa pananaliksik na konektado sa mga aplikasyon ng drone sa mga misyon ng imaging (Bendig et al., 2014; Ma et al., 2017; Zarco-Tejada et al., 2014) , precision agriculture (Candiago et al., 2015; Honkavaara et al., 2013a), precision viticulture (Matese et al., 2015), water stress assessment (Gago et al., 2015), at vegetation monitoring (Aasen et al. , 2015a). Sa mga unang taon, nakatuon ang mga mananaliksik
higit pa sa pagbuo ng mura, magaan, at tumpak na mga sistemang nakabatay sa UAV para sa agrikultura; mas nakatutok ang mas kamakailang pananaliksik sa mga pagsusuri ng mga aplikasyon ng UAV para sa agrikultura at field surveying. Sa buod, ipinapakita ng pagsusuring ito na ang mga maimpluwensyang publikasyon ay kadalasang nagbigay ng mga pagsusuri ng mga naunang pag-aaral upang suriin ang kasalukuyang kalagayang pang-agham at teknolohikal ng mga UAV at binuo ang mga sistema ng UAV upang suportahan ang tumpak na agrikultura. Kapansin-pansin, hindi kami nakahanap ng mga pag-aaral na gumagamit ng empirical
mga pamamaraan o mapaglarawang pag-aaral ng kaso, na bumubuo ng isang makabuluhang agwat sa kaalaman at nangangailangan ng higit pang pananaliksik sa paksang ito.
Pagsusuri ng co-citation
Ayon kay Gmür (2006), ang co-citation analysis ay kinikilala ang mga katulad na publikasyon at pinagsama ang mga ito. Ang maingat na pagsusuri sa isang kumpol ay maaaring magbunyag ng isang karaniwang larangan ng pananaliksik sa mga publikasyon. Sinisiyasat namin ang co-citation ng mga literatura na nauukol sa mga drone ng agrikultura upang ilarawan ang mga kaugnay na paksa at makita ang mga intelektwal na pattern ng mga publikasyon. Kaugnay nito, inirerekomenda ni Small (1973) ang paggamit ng cocitation analysis upang pag-aralan ang pinaka-maimpluwensyang at matagumpay na pananaliksik.
sa loob ng isang disiplina. Upang limitahan ang hanay sa pinakamaraming artikulo (Goyal & Kumar, 2021), nagtakda kami ng co-citation threshold na 25, ibig sabihin, dalawang artikulo ang dapat na nabanggit nang magkasama sa mga listahan ng sanggunian ng 25 o higit pang magkakaibang publikasyon. Ang clustering ay isinagawa din na may pinakamababang laki ng cluster 1 at walang anumang paraan para sa pagsasama ng mas maliliit na cluster sa mas malalaking mga. Bilang resulta, anim na kumpol ang nabuo batay sa pagkakatulad ng mga pag-aaral at ang kanilang istrukturang intelektwal. Ipinapakita sa talahanayan 6 ang distribusyon ng mga publikasyon sa bawat cluster.
Cluster 1: Ang cluster na ito ay naglalaman ng labingwalong dokumento na inilathala pagkatapos Ang mga publikasyon sa cluster na ito ay tumatalakay sa papel ng mga drone sa pagsuporta sa pagsubaybay sa kapaligiran, pamamahala ng pananim, at pamamahala ng damo. Halimbawa, Manfreda et al. (2018) ay nagbibigay ng pangkalahatang-ideya ng kasalukuyang pagsasaliksik at pagpapatupad ng UAV sa natural na pagsubaybay sa ekosistema ng agrikultura at pinagtatalunan na ang teknolohiya ay nag-aalok ng napakalaking potensyal upang lubos na mapahusay ang pagsubaybay sa kapaligiran at bawasan.
ang umiiral na agwat sa pagitan ng field observation at conventional air at spaceborne remote sensing. Magagawa ito sa pamamagitan ng pag-aalok ng bagong kapasidad para sa pinahusay na temporal retrieval at mga spatial na insight sa malalaking lugar sa abot-kayang paraan. Patuloy na nararamdaman ng mga UAV ang kapaligiran at ipinapadala ang nagreresultang data sa matalino, sentralisadong/desentralisadong entity na kumokontrol sa mga sensor upang matukoy ang mga problema sa hinaharap, tulad ng kakulangan ng sakit o pagtuklas ng tubig (Padua ´ et al., 2017). Adao ˜ et al. (2017) posit na ang mga UAV ay perpekto para sa pagtatasa ng mga kondisyon ng halaman sa pamamagitan ng pagkuha ng isang malawak na dami ng raw data na nauugnay sa katayuan ng tubig, biomass estimation, at vigor assessment. Ang mga sensor na naka-mount sa UAV ay maaari ding i-deploy kaagad sa wastong mga kondisyon sa kapaligiran upang payagan ang napapanahong pagkuha ng remote-sensing data (Von Bueren et al., 2015). Sa pamamagitan ng mga UAV, ang mga magsasaka ay nagagawang magsagawa ng mga aktibidad sa pagsasaka sa loob ng bahay sa pamamagitan ng pagkuha ng mga sukat mula sa halos anumang lugar sa tatlong-dimensional na espasyo ng mga panloob na kapaligiran sa pagsasaka (hal., mga greenhouse), sa gayon tinitiyak ang lokal na kontrol sa klima at pagsubaybay sa halaman (Roldan ´ et al. ., 2015). Sa konteksto ng katumpakan
agrikultura, mga desisyon sa pamamahala ng pananim ay nangangailangan ng tumpak, maaasahang data ng pananim na may naaangkop na temporal at spatial na resolusyon (Gebbers & Adamchuk, 2010; Gevaert et al., 2015; Maes & Steppe, 2019). Para sa kadahilanang ito, Agüera Vega et al. (2015) gumamit ng UAV-mounted multispectral sensor system para makakuha ng mga larawan ng sunflower crop sa panahon ng lumalagong panahon. Katulad nito, Huang et al. (2009) tandaan na ang remote sensing batay sa mga UAV ay maaaring mapadali ang pagsukat ng mga pananim at lupa mula sa nakolektang spectral data. Verger et al. (2014) bumuo at sumubok ng isang pamamaraan para sa pagtatantya ng green area index (GAI) mula sa UAV reflectance measurements sa precision agriculture application, na tumutuon sa trigo at rapeseed crops. Samakatuwid, ang mga drone ay nagbibigay ng mga bagong posibilidad para sa pagkuha ng impormasyon ng estado ng crop na may madalas na muling pagbisita at mataas na spatial na resolusyon (Dong et al., 2019; Garzonio et al., 2017; H. Zheng et al., 2016).
Pag-cluster ng mga maimpluwensyang publikasyon sa mga drone ng agrikultura.
Kumpol | Malawak na tema | Mga sanggunian |
1 | Pagsubaybay sa kapaligiran, pananim pamamahala, pamamahala ng damo | (Ad ao et al., 2017; Agüera Vega et al., 2015; de Castro et al., 2018; Gomez-Cand ´ on ´ et al., 2014; Sinabi ni YB Huang et al., 2013; Khanal et al., 2017; Lopez-Granados, ´ 2011; Manfreda et al., 2018; P´ adua et al., 2017; Pena ˜ et al., 2013; P'erez-Ortiz et al., 2015; Rasmussen et al., 2013, 2016; Torres-S' anchez et al., 2014; Torres-Sanchez, ´ Lopez-Granados, ´ & Pena, ˜ 2015; Verger et al., 2014; Si Von Bueren et al., 2015; C. Zhang & Kovacs, 2012) |
2 | Remote phenotyping, yield pagtatantya, modelo ng ibabaw ng pananim, pagbibilang ng mga halaman | (Bendig et al., 2013, 2014; Geipel et al., 2014; Gnadinger ¨ & Schmidhalter, 2017; Haghighattalab et al., 2016; Holman et al., 2016; Jin et al., 2017; W. Li et al., 2016; Maimaitijiang et al., 2017; Sankaran et al., 2015; Schirrmann et al., 2016; Shi et al., 2016; Yue et al., 2017; X. Zhou et al., 2017) |
3 | Thermal imaging para sa tubig, multispectral imaging | (Baluja et al., 2012; Berni et al., 2009b; Berni et al., 2009a; Candiago et al., 2015; Gago et al., 2015; Gonzalez-Dugo et al., 2013, 2014; Grenzdorffer ¨ et al., 2008; Khaliq et al., 2019; Matese et al., 2015; Ribeiro-Gomes et al., 2017; Santesteban et al., 2017; Uto et al., 2013) |
4 | Hypersectral imaging, parang multo Imaging | (Aasen et al., 2015a; Bareth et al., 2015; Hakala et al., 2013; Honkavaara et al., 2013a; Lucieer et al., 2014; Saari et al., 2011; Suomalainen et al., 2014) |
5 | 3D-Mapping Application | (Jim´enez-Brenes et al., 2017; Nex & Remondino, 2014; Salamí et al., 2014; Torres-S' anchez, Lopez-´ Granados, Serrano, et al., 2015; Zahawi et al., 2015; Zarco-Tejada et al., 2014) |
6 | Pagsubaybay sa agrikultura | (SR Herwitz et al., 2004; Hunt et al., 2010; CCD Lelong et al., 2008; Primicerio et al., 2012; Xiang at Tian, 2011) |
Higit pa rito, ang mga drone ay kapaki-pakinabang para sa mga mapaghamong gawain sa agrikultura, kabilang ang pagmamapa ng damo. Ang mga larawang nakunan ng mga device ay napatunayan ang kanilang pagiging kapaki-pakinabang para sa maagang pagtuklas ng mga damo sa mga patlang (de Castro et al., 2018; Jim´enez-Brenes et al., 2017; Lam et al., 2021; Lopez-Granados ´ et al., 2016; Rozenberg et al., 2021). Kaugnay nito, sina de Castro et al. (2018) na ang pagsasanib ng UAV imagery at Object-Based Image Analysis (OBIA) ay nagbigay-daan sa mga practitioner na mapagtagumpayan ang isyu ng pag-automate ng maagang pagtuklas sa mga pananim sa maagang panahon ng grassland, na isang malaking hakbang pasulong sa pananaliksik ng damo. Gayundin, si Pena ˜ et al. (2013) itinuro na ang paggamit ng mga ultra-high spatial resolution na mga imahe mula sa UAV kasabay ng isang OBIA procedure ay ginagawang posible na makabuo ng mga mapa ng damo sa mga maagang pananim ng mais na maaaring magamit sa pagpaplano ng pagpapatupad ng mga in-season weed control measures, isang gawain na lampas sa kakayahan ng satellite at tradisyonal na airborne na mga imahe. Kung ikukumpara sa pag-uuri ng imahe o mga algorithm ng pagtuklas ng bagay, ang mga semantic segmentation technique ay mas epektibo sa mga gawain sa pagmamapa ng damo (J. Deng et al., 2020), kaya binibigyang-daan ang mga magsasaka na makita ang mga kondisyon sa bukid, pagaanin ang mga pagkalugi, at pagbutihin ang mga ani sa buong panahon ng paglaki (Ramesh et al., 2020). Ang malalim na learningbased na semantic segmentation ay maaari ding magbigay ng tumpak na pagsukat ng vegetation cover mula sa high-resolution na aerial images (Ramesh et al., 2020; A. Zheng et al., 2022). Sa kabila ng kanilang potensyal para sa remote
sensing pixel classification, semantic segmentation techniques ay nangangailangan ng makabuluhang computation at isang prohibitively high GPU memory (J. Deng et al., 2020).
Batay sa machine learning at UAV, P´erez-Ortiz et al. (2015) ay nagmungkahi ng isang diskarte sa pagmamapa ng damo upang magbigay ng mga diskarte sa pagkontrol ng damo na partikular sa site kapag pinagtibay ng mga magsasaka ang maagang-pagkatapos ng paglitaw ng mga damo na kontrol. Sa wakas, Rasmussen et al. (2013) ay nag-highlight na ang mga drone ay nagbibigay ng murang sensing na may mahusay na spatial resolution flexibility. Sa pangkalahatan, ang mga publikasyon sa cluster na ito ay nakatuon sa paggalugad sa mga potensyal ng mga UAV upang suportahan ang remote sensing, crop monitoring, at weed mapping. Ang karagdagang malalim na pananaliksik ay kailangan upang higit na maimbestigahan kung paano makakamit ng mga drone application sa environmental monitoring, crop management, at weed mapping ang mas napapanatiling agrikultura (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J . Su, Liu, et al., 2018) at tugunan ang mga isyu sa pamamahala ng teknolohiyang ito sa mga aplikasyon ng crop insurance (Basnet & Bang, 2018; Chamuah & Singh, 2019, 2022; Meinen & Robinson, 2021). Ang mga mananaliksik ay dapat tumutok sa pagpapatunay ng UAVcollected measurements na may mahusay na mga diskarte sa pagpoproseso upang mapahusay ang pinakamataas na kalidad ng naprosesong data (Manfreda et al., 2018). Higit pa rito, ang pagbuo ng mga naaangkop na algorithm na kumikilala sa mga pixel na nagpapakita ng mga damo sa mga digital na imahe at nag-aalis ng hindi nauugnay na background sa panahon ng UAV weed mapping ay kailangan (Gaˇ sparovi´c et al., 2020; Hamylton et al., 2020; H. Huang et al. , 2018, 2020; Lopez- ´ Granados et al., 2016). Ang karagdagang pananaliksik sa pag-aampon ng mga diskarte sa semantic segmentation sa pagkilala ng halaman, pag-uuri ng dahon, at pagmamapa ng sakit ay tinatanggap (Fuentes-Pacheco et al., 2019; Kerkech et al., 2020).
Cluster 2. Ang mga publikasyon sa cluster na ito ay nakatuon sa ilang aspeto ng mga drone sa agrikultura. Nauugnay sa malayuang phenotyping, Sankaran et al. (2015) nirepaso ang potensyal ng paggamit ng low-altitude, high-resolution na aerial imaging na may mga UAV para sa mabilis na phenotyping ng mga pananim sa field, at pinagtatalunan nila na, kumpara sa ground-based sensing platform, ang maliliit na UAV na may sapat na sensor ay nag-aalok ng ilang mga pakinabang , tulad ng mas madaling pag-access sa field, highresolution na data, mahusay na pangongolekta ng data,
mabilis na pagtatasa ng mga kondisyon ng paglago ng field, at mababang gastos sa pagpapatakbo. Gayunpaman, napapansin din ng mga may-akda na ang epektibong aplikasyon ng UAV para sa field phenotyping ay umaasa sa dalawang pangunahing elemento, katulad, mga tampok ng UAV (hal., kaligtasan, katatagan, pagpoposisyon, awtonomiya) at mga katangian ng sensor (hal., resolution, timbang, spectral wavelength, field. ng pananaw). Haghighattalab et al. (2016) ay nagmungkahi ng semi-automated na imageprocessing pipeline para kunin ang plot-level na data mula sa UAV imagery at pabilisin ang proseso ng pag-aanak. Holman et al. (2016) nakabuo ng isang mataas
throughput field phenotyping system at na-highlight na ang UAV ay nakakakolekta ng de-kalidad, voluminous, field-based na phenotypic na data, at na ang device ay epektibo para sa malalaking lugar at sa iba't ibang lokasyon ng field.
Dahil ang pagtatantya ng ani ay isang hindi kapani-paniwalang mahalagang piraso ng impormasyon, lalo na kapag magagamit sa oras, may potensyal para sa mga UAV na magbigay ng lahat ng mga sukat sa field at mahusay na makakuha ng mataas na kalidad na data (Daakir et al., 2017; Demir et al., 2018 ; Enciso et al., 2019; Kulbacki et al., 2018; Pudelko et al., 2012). Kaugnay nito, sina Jin et al. (2017) sinamantala ang mataas na resolution na koleksyon ng imahe na nakuha ng mga UAV sa napakababang altitude upang bumuo at masuri ang isang paraan para sa pagtantya ng density ng halaman ng trigo sa yugto ng paglitaw. Ayon sa mga may-akda, nalampasan ng mga UAV ang mga limitasyon ng mga rover system na nilagyan ng mga camera at kumakatawan sa isang non-invasive na paraan upang tantiyahin ang density ng halaman sa mga pananim, na nagpapahintulot sa mga magsasaka na makamit ang mataas na throughput na kinakailangan para sa field phenotyping na independiyente sa trafficability ng lupa. Li et al. (2016) nangongolekta ng daan-daang stereo na imahe na may napakataas na resolution gamit ang isang UAV-based system para tantiyahin ang mga parameter ng mais, kabilang ang canopy height at above-ground biomass. Sa wakas, si Yue et al. (2017) natagpuan na ang taas ng pananim na tinutukoy mula sa mga UAV ay maaaring magpahusay sa pagtatantya ng aboveground biomass (AGB).
Ang isang diskarte sa pagsubaybay sa paglaki ng pananim ay ang ideya ng pagbuo ng mga modelo sa ibabaw ng pananim (Bendig et al., 2014, 2015; Holman et al., 2016; Panday, Shrestha, et al., 2020; Sumesh et al., 2021). Itinampok ng ilang pag-aaral ang pagiging posible ng mga larawang kinunan mula sa UAV upang makuha ang taas ng mga halaman at subaybayan ang kanilang paglaki. Halimbawa, Bendig et al. (2013) inilarawan ang pagbuo ng mga multi-temporal na crop surface na modelo na may napakataas na resolution na mas mababa sa 0.05 m gamit ang UAV. Nilalayon nilang makita ang pananim
pagkakaiba-iba ng paglago at ang pagdepende nito sa paggamot sa pananim, cultivar, at stress. Bendig et al. (2014) ay gumamit ng mga UAV upang tantyahin ang sariwa at tuyo na biomass batay sa taas ng halaman na nakuha mula sa mga crop surface na modelo at nalaman na, hindi tulad ng mga airborne platform at terrestrial laser scan, ang mataas na resolution na mga larawan mula sa mga UAV ay maaaring makabuluhang tumaas ang katumpakan ng pagmomodelo ng taas ng halaman para sa iba't ibang paglago mga yugto. Sa parehong ugat, Geipel et al. (2014) gumamit ng mga UAV sa kanilang pananaliksik upang makakuha ng mga imahe
mga dataset para sa hula ng ani ng butil ng mais sa tatlong magkakaibang yugto ng paglago mula maaga hanggang kalagitnaan ng panahon at napagpasyahan na ang kumbinasyon ng spectral at spatial na pagmomodelo batay sa mga aerial na imahe at mga modelo sa ibabaw ng pananim ay isang angkop na pamamaraan para sa paghula ng ani ng mais sa kalagitnaan ng panahon. Sa wakas, sinuri ni Gnadinger ¨ at Schmidhalter (2017) ang utility ng UAV sa precision phenotyping at binigyang-diin na ang paggamit ng teknolohiyang ito ay maaaring mapahusay ang pamamahala ng sakahan at paganahin ang field experimentation para sa mga layunin ng breeding at agronomic. Sa pangkalahatan, napansin namin na ang mga publikasyon sa cluster 2 ay nakatuon sa mga pangunahing bentahe ng mga UAV sa malayong lugar.
phenotyping, pagtatantya ng ani, pagmomodelo sa ibabaw ng pananim, at pagbibilang ng halaman. Ang mga pag-aaral sa hinaharap ay maaaring maghukay ng mas malalim sa pamamagitan ng pagbuo ng mga bagong pamamaraan para sa malayuang phenotyping na maaaring mag-automate at mag-optimize ng pagproseso ng remotely sensed data (Barabaschi et al., 2016; Liebisch et al., 2015; Mochida et al., 2015; S. Zhou et al. ., 2021). Bilang karagdagan, ang pagganap ng mga IoT sensor na naka-mount sa mga UAV at ang trade-off sa pagitan ng kanilang mga gastos, paggawa, at katumpakan ng pagtatantya ng ani ay kailangang saliksikin sa
hinaharap (Ju & Son, 2018a, 2018b; Xie & Yang, 2020; Yue et al., 2018). Sa huli, may pangangailangan na bumuo ng mahusay na mga pamamaraan sa pagproseso ng imahe na maaaring makabuo ng maaasahang impormasyon, mapakinabangan ang kahusayan sa produksyon ng agrikultura, at mabawasan ang manu-manong pagbibilang ng mga magsasaka (RU Khan et al., 2021; Koh et al., 2021; Lin & Guo, 2020; C. Zhang et al., 2020).
Cluster 3. Tinatalakay ng mga publikasyon sa cluster na ito ang iba't ibang uri ng imaging system para sa remote sensing ng mga mapagkukunan ng agrikultura na ginagamit sa mga UAV platform. Kaugnay nito, pinapayagan ng thermal imaging ang pagsubaybay sa mga temperatura sa ibabaw upang maiwasan ang pagkasira ng pananim at maagang matukoy ang stress ng tagtuyot (Awais et al., 2022; García-Tejero et al., 2018; Sankaran et al., 2015; Santesteban et al., 2017; Yeom, 2021). Baluja et al. (2012) iginiit na ang paggamit ng multispectral at thermal camera onboard ang
Pinagana ng UAV ang mga mananaliksik na makakuha ng mga larawang may mataas na resolution at masuri ang katayuan ng tubig ng ubas. Ito ay maaaring maging kapaki-pakinabang upang bumuo ng mga nobelang modelo ng pag-iiskedyul ng tubig gamit ang remote-sensing data (Baluja et al., 2012). Dahil sa
limitadong kapasidad ng pagkarga ng mga UAV, Ribeiro-Gomes et al. (2017) ay isinasaalang-alang ang pagsasama ng mga uncooled thermal camera sa UAVS upang matukoy ang stress ng tubig sa mga halaman, na ginagawang mas mahusay at mabubuhay ang ganitong uri ng mga UAV kaysa sa tradisyonal na satellite-based na remote sensing at mga UAV na nilagyan ng mga cooled thermal camera. Ayon sa mga may-akda, ang mga uncooled thermal camera ay mas magaan kaysa sa mga cooled camera, na nangangailangan ng naaangkop na pagkakalibrate. Gonzalez-Dugo et al. (2014) ay nagpakita na ang thermal imagery ay epektibong bumubuo ng mga spatial na mapa ng crop water stress index para sa pagtatasa ng katayuan ng tubig at pag-quantify ng water stress sa at sa loob ng citrus orchards. Gonzalez-Dugo et al. (2013) at Santesteban et al. (2017) inimbestigahan ang paggamit ng mataas na resolution UAV thermal imagery upang tantyahin ang pagkakaiba-iba ng katayuan ng tubig ng isang komersyal na taniman at isang ubasan.
Ang multispectral imaging ay maaaring magbigay ng napakalaking data kumpara sa tradisyonal na RGB (Red, Green, at Blue) na mga imahe (Ad˜ ao et al., 2017; Navia et al., 2016). Ang spectral data na ito, kasama ang spatial data, ay maaaring makatulong sa pag-uuri, pagmamapa, pagtataya, hula, at mga layunin ng pagtuklas (Berni et al., 2009b). Ayon kay Candiago et al. (2015), ang UAV based multispectral imaging ay maaaring mag-ambag nang malaki sa pagtatasa ng pananim at tumpak na agrikultura bilang isang maaasahan at mahusay na mapagkukunan. Gayundin,
Khaliq et al. (2019) ay gumawa ng paghahambing sa pagitan ng satellite at UAVbased multispectral imaging. Ang mga imaheng nakabatay sa UAV ay nagresulta sa pagiging mas tumpak sa paglalarawan ng pagkakaiba-iba ng ubasan pati na rin ang mga mapa ng kalakasan para sa kumakatawan sa mga canopy ng pananim. Sa madaling sabi, tinatalakay ng mga artikulo sa cluster na ito ang pagsasama ng mga thermal at multispectral imaging sensor sa mga UAV na pang-agrikultura. Alinsunod dito, kailangan ng higit pang pananaliksik upang maunawaan kung paano maaaring isama ang thermal at multispectral imaging sa AI
mga diskarte (hal., malalim na pag-aaral) para makita ang stress ng halaman (Ampatzidis et al., 2020; Ampatzidis & Partel, 2019; Jung et al., 2021; Santesteban et al., 2017; Syeda et al., 2021). Ang ganitong mga insight ay makakatulong na matiyak ang mas mahusay at tumpak na pagtuklas pati na rin ang pagsubaybay sa paglaki ng halaman, stress, at phenology (Buters et al., 2019; Cao et al., 2020; Neupane & BaysalGurel, 2021; L. Zhou et al., 2020).
Cluster 4. Ang cluster na ito ay binubuo ng pitong papel na umiikot sa mahalagang papel ng spectral imaging at hyperspectral imaging sa pagsuporta sa mga gawi sa agrikultura. Itinatag ng hyperspectral imaging ang sarili bilang isang remote-sensing method na nagbibigay-daan sa quantitative assessment ng earth system (Schaepman et al., 2009). ang pagtatalaga ng mga proporsyon ng sangkap sa ibabaw
sa loob ng magkahalong mga pixel (Kirsch et al., 2018; Zhao et al., 2022). Sa madaling salita, ang mas mataas na spectral na resolution na ibinigay ng mga hyperspectral system ay nagbibigay-daan sa mas tumpak na mga pagtatantya ng iba't ibang mga parameter, tulad ng mga katangian ng vegetarian o nilalaman ng tubig ng dahon (Suomalainen et al., 2014). Ang mga mananaliksik sa cluster na ito ay nag-imbestiga sa iba't ibang aspeto ng naturang mga sistema. Sa iba pa, si Aasen et al. (2015b) ay nag-aalok ng isang natatanging diskarte para sa pagkuha ng tatlong-dimensional na hyperspectral na impormasyon mula sa magaan
mga snapshot camera na ginagamit sa mga UAV para sa pagsubaybay sa mga halaman. Lucieer et al. (2014) tinalakay ang disenyo, pagbuo, at aerial operations ng isang nobelang hyperspectral UAS gayundin ang pagkakalibrate, pagsusuri, at interpretasyon ng data ng imahe na nakalap kasama nito. Sa wakas, Honkavaara et al. (2013b) ay bumuo ng isang komprehensibong diskarte sa pagpoproseso para sa FabryPerot interferometer na nakabatay sa parang multo na mga imahe at ipinakita ang paggamit nito sa isang pamamaraan ng pagtatantya ng biomass para sa tumpak na agrikultura. Ang mga potensyal na landas sa hinaharap para sa kasalukuyang cluster na ito ay kinabibilangan ng pagbibigay-diin sa pangangailangan para sa mga teknikal na pagpapabuti sa mga teknolohiya ng sensor (Aasen et al., 2015b) pati na rin ang pangangailangan para sa pagsasama at pagpapahusay ng mga pantulong na teknolohiya, partikular na malaking data at analytics (Ang & Seng, 2021; Radoglou -Grammatikis et al., 2020; Shakoor et al., 2019). Ang huli ay pangunahing nagmumula sa patuloy na lumalagong data na nabuo ng iba't ibang mga sensor na ipinatupad sa matalinong agrikultura (C. Li & Niu, 2020; A. Rejeb et al., 2022; Y. Su & Wang, 2021).
Cluster 5. Sinuri ng mga publikasyon sa cluster na ito ang mga drone-based na 3Dmapping application. Ang paggamit ng mga drone para sa 3D mapping ay maaaring magpagaan sa kumplikadong fieldwork at mapataas ang kahusayan nang malaki (Torres-Sanchez ´ et al., 2015). Ang limang artikulo sa cluster ay pangunahing nakatuon sa mga application ng pagsubaybay sa halaman. Halimbawa, upang makakuha ng three-dimensional na data tungkol sa canopy area, taas ng puno, at dami ng korona, Torres-Sanchez ´ et al. (2015) ay gumamit ng UAV na teknolohiya upang makabuo ng mga digital surface na modelo at pagkatapos ay object-based image analysis (OBIA) approach. Dagdag pa, Zarco-Tejada et al. (2014) na-quantified ang taas ng puno sa pamamagitan ng pagsasama ng teknolohiya ng UAV at mga three-dimensional na paraan ng photo-reconstruction. Jim´enez-Brenes Lopez-Granados, ´ De Castro, et al. (2017) ay nagpakita ng bagong proseso para sa multi-temporal, 3D na pagsubaybay sa dose-dosenang puno ng oliba sa pamamagitan ng pagsasama ng teknolohiya ng UAV sa advanced na pamamaraan ng OBIA. Kasama sa mga kawili-wiling landas para sa mga gawain sa hinaharap sa cluster na ito ang alinman sa pagpapabuti ng kasalukuyang
mga pamamaraan (Zarco-Tejada et al., 2014) para sa mga layunin ng digital surface modeling (Ajayi et al., 2017; Jaud et al., 2016), tulad ng OBIA (de Castro et al., 2018, 2020; Ventura et al. , 2018), at muling pagtatayo ng larawan o pagbuo ng mga pamamaraan ng nobela (Díaz-Varela et al., 2015; Torres-S' anchez et al., 2015).
Cluster 6. Tinatalakay ng cluster na ito ang papel ng mga drone sa pagsubaybay sa agrikultura. Maaaring umakma at malampasan ng mga UAV ang mga pagkukulang ng satellite at aircraft imaging. Halimbawa, maaari silang magbigay ng mataas na resolution malapit sa real-time na imaging na may mas kaunting fuel o piloting na mga hamon, na nagreresulta sa pare-pareho at real-time na pagsubaybay at mga pagpapabuti sa paggawa ng desisyon (S. Herwitz et al., 2004). Ang isa pang mahalagang kontribusyon ng mga UAV ay ang kanilang kakayahang magbigay ng data na tukoy sa site para sa tumpak na agrikultura o pagsasaka na partikular sa site bilang kanilang mataas na resolusyon, ang detalyadong data tungkol sa iba't ibang mga parameter ay nagbibigay-daan sa mga magsasaka na hatiin ang lupa sa mga homogenous na bahagi at tratuhin ang mga ito nang naaayon (Hunt et al. , 2010; CC Lelong et al., 2008; Primicerio et al., 2012). Ang nasabing UAV-based agricultural surveillance ay maaaring suportahan ang food security monitoring at paggawa ng desisyon (SR Herwitz et al., 2004). Upang isulong ang pananaliksik sa pagsubaybay sa agrikultura, hindi lamang ang mga pagpapahusay sa mga sensor, UAV, at iba pang nauugnay na teknolohiya at ang kanilang mga paraan ng komunikasyon at paglilipat ng data ay kailangan (Ewing et al., 2020; Shuai et al., 2019), kundi pati na rin ang pagsasama ng mga drone sa iba't ibang Ang mga teknolohiya para sa pag-optimize ng iba't ibang mga gawain na may kaugnayan sa matalinong agrikultura, tulad ng pagsubaybay, pagsubaybay sa agrikultura, at paggawa ng desisyon, ay isang mataas na potensyal na lugar ng pananaliksik (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). Kaugnay nito, nag-aalok ang IoT, WSN, at malaking data ng mga interesanteng pantulong na kakayahan (van der Merwe et al., 2020). Ang mga gastos sa pagpapatupad, pagtitipid sa gastos, kahusayan sa enerhiya, at seguridad ng data ay kabilang sa mga lugar na hindi pa nasaliksik para sa naturang pagsasama (Masroor et al., 2021).
Mga bansa at institusyong pang-akademiko
Kasama sa huling hakbang ang pagsisiyasat sa bansang pinanggalingan at ang mga akademikong kaugnayan ng mga may-akda. Sa pamamagitan ng pagsusuring ito, nilalayon naming mas maunawaan ang heograpikong pamamahagi ng mga iskolar na nag-aambag sa mga aplikasyon ng mga drone sa agrikultura. Kapansin-pansin na mapansin ang pagkakaiba-iba ng mga bansa at institusyong pang-akademiko. Mula sa pananaw ng bansa, ang USA, China, India, at Italy ay nasa tuktok ng listahan sa mga tuntunin ng bilang ng mga publikasyon (Talahanayan 7). Ang kasalukuyan
Ang pananaliksik sa mga drone na pang-agrikultura ay higit na nakasentro sa mga bansa sa Hilagang Amerika at Asya, pangunahin dahil sa kanilang mataas na pakikipag-ugnayan sa mga aplikasyon para sa katumpakan ng agrikultura. Halimbawa, sa USA, ang merkado ng mga drone ng agrikultura ay tinatantya sa 841.9 milyong USD sa taong 2020, na nagkakahalaga ng humigit-kumulang 30% ng pandaigdigang bahagi ng merkado (ReportLinker, 2021). Ang pagraranggo bilang pinakamalaking ekonomiya sa mundo, ang China ay hinuhulaan na aabot sa tinatayang laki ng merkado na 2.6 bilyong USD sa taong 2027. Ang bansang ito ay umaapela para sa mga agricultural drone upang malampasan ang mga isyu sa produktibidad at makamit ang mas mahusay na ani, pagpapagaan sa paggawa, at mas mababang mga input ng produksyon. Gayunpaman, ang pag-aampon ng teknolohiya sa China ay hinihimok din ng mga salik gaya ng laki ng populasyon at ang pangangailangang magbago at pagbutihin ang mga umiiral na kasanayan sa pamamahala ng pananim.
Nangungunang pinaka-produktibong mga bansa at unibersidad/organisasyon na nag-aambag sa
pananaliksik na may kaugnayan sa drone sa agrikultura.
Ranggo | Bansa |
1 | Estados Unidos |
2 | Tsina |
3 | India |
4 | Italya |
5 | Espanya |
6 | Alemanya |
7 | Brasil |
8 | Australia |
9 | Hapon |
10 | Reyno Unido |
Ranggo | Mga Unibersidad/ Organisasyon |
1 | Chinese Academy of Sciences |
2 | Ministri ng Agrikultura ng People's Republic of China |
3 | Consejo Superior de Investigaciones Científicas |
4 | Texas A & M University |
5 | China pang-agrikultura University |
6 | Serbisyong Pang-agrikultura sa USDA |
7 | CSIC – Instituto de Agricultura Sostenible IAS |
8 | Purdue University |
9 | Consiglio Nazionale delle Ricerche |
10 | Pamantasan sa Timog Tsina na pang-agrikultura |
Mula sa pananaw ng unibersidad at organisasyon, ang Chinese Academy of Sciences ay nangunguna sa listahan sa mga tuntunin ng bilang ng mga publikasyon, na sinusundan ng Ministry of Agriculture ng People's Republic of China at Consejo Superior de Investigaciones Científicas. Ang Chinese Academy of Sciences ay kinakatawan ng mga may-akda na sina Liao Xiaohan at Li Jun; Kinakatawan ni Han Wenting ang Ministri ng Agrikultura ng People's Republic of China; at Consejo Superior de Investigaciones Científicas ay kinakatawan ni Lopez-Granados, ´ F. at Pena, ˜ Jos´e María S. Mula sa USA, hinahanap ng mga unibersidad tulad ng Texas A&M University at Purdue University ang kanilang
banggitin. Ang mga unibersidad na may pinakamataas na bilang ng mga publikasyon at ang kanilang mga koneksyon ay ipinapakita sa Fig. 4. Bukod pa rito, kasama sa listahang ito ang mga institusyon tulad ng Consiglio Nazionale delle Ricerche at ang Consejo Superior de Investigaciones Científicas na aktibo sa siyentipikong pananaliksik, ngunit hindi mga institusyong pang-akademiko. .
Kasama sa aming napili ang isang malawak na iba't ibang mga journal, na sumasaklaw sa halos lahat ng magagamit na data. Gaya ng ipinapakita sa Talahanayan 8, ang Remote Sensing na may 258 na artikulo ay nasa tuktok, na sinusundan ng Journal of Intelligent and Robotic Systems: Theory and Applications na may 126 at Computers and Electronics in Agriculture na may 98 na artikulo. Habang ang Remote Sensing ay halos nakatuon sa aplikasyon at pagbuo ng mga drone, ang Computers at Electronics sa Agrikultura ay pangunahing sumasaklaw sa mga pagsulong sa computer hardware, software, electronics, at mga control system sa agrikultura. Ang mga cross-area outlet, tulad ng IEEE Robotics at Automation Letters na may 87 publikasyon at IEEE Access na may 34 na publikasyon, ay mga nangungunang outlet din sa larangan. Ang nangungunang labinlimang outlet ay nag-ambag sa panitikan na may 959 na dokumento, na humigit-kumulang 20.40% ng lahat ng publikasyon. Ang pagsusuri sa co-citation sa journal ay nagbibigay-daan sa amin na suriin ang kahalagahan at pagkakatulad sa pagitan ng mga publikasyon. Ang pagsusuri ng co-citation ay nagbubunga ng tatlong cluster, tulad ng ipinapakita sa Fig. 5. Ang pulang cluster ay binubuo ng mga journal tulad ng Remote Sensing, Computer at Electronics sa Agrikultura, Sensors,
at ang International Journal of Remote Sensing. Ang lahat ng mga outlet na ito ay mataas na kagalang-galang na mga journal sa mga lugar ng remote sensing at precision agriculture. Ang berdeng cluster ay naglalaman ng mga journal na tumatalakay sa robotics, tulad ng Journal of Intelligent and Robotic Systems: Theory and Applications, IEEE Robotics and Automation Letters, IEEE Access, at Drones. Ang mga outlet na ito ay kadalasang naglalathala ng mga papel sa automation at kapaki-pakinabang para sa mga inhinyero ng agrikultura. Ang huling cluster ay nabuo ng mga journal na nauugnay sa agronomy at agricultural engineering, tulad ng Agronomi at International Journal of Agricultural and Biological Engineering.
Nangungunang 15 mga journal sa pagsasaliksik na nauugnay sa drone sa agrikultura.
Ranggo | Pahayagan | Bilangin |
1 | Remote Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Teorya at aplikasyon | 126 |
3 | Mga Computer at Electronics sa Agrikultura | 98 |
4 | IEEE Robotics at Automation Letters | 87 |
5 | Sensor | 73 |
6 | International Journal ng Remote Sensing | 42 |
7 | Precision agrikultura | 41 |
8 | Drones | 40 |
9 | Agronomya | 34 |
10 | IEEE Access | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal ng Field Robotics | 23 |
15 | Engineering ng Biosystems | 23 |
Konklusyon
Buod
Sa pag-aaral na ito, binuod at sinuri namin ang umiiral na pananaliksik sa mga drone ng agrikultura. Sa paglalapat ng iba't ibang diskarte sa bibliometric, nagsikap kaming makakuha ng mas mahusay na pag-unawa sa intelektwal na istruktura ng pagsasaliksik na nauugnay sa drone sa agrikultura. Sa kabuuan, nag-aalok ang aming pagsusuri ng ilang kontribusyon sa pamamagitan ng pagtukoy at pagtalakay sa mga keyword sa panitikan, paglalantad ng mga kumpol ng kaalaman habang bumubuo ng magkakatulad na mga komunidad sa larangan ng mga drone, nagbabalangkas sa naunang pananaliksik, at nagmumungkahi ng mga direksyon sa pananaliksik sa hinaharap. Sa ibaba, binabalangkas namin ang mga pangunahing natuklasan ng pagsusuri sa pagbuo ng mga drone ng agrikultura:
• Ang pangkalahatang panitikan ay mabilis na lumago at nakakuha ng napakalaking atensyon sa nakalipas na dekada, gaya ng ipinahihiwatig ng pagtaas ng bilang ng mga artikulo pagkatapos ng 2012. Kahit na ang larangan ng kaalamang ito ay hindi pa nakakamit ang buong kapanahunan nito (Barrientos et al., 2011; Maes & Steppe, 2019), maraming tanong ang hindi pa nasasagot. Halimbawa, ang paggamit ng mga drone sa panloob na pagsasaka ay bukas pa rin para sa debate (Aslan et al., 2022; Krul et al., 2021; Rold´ an et al., 2015). Ang pagiging kumplikado ng mga eksena sa field at ang iba't ibang mga pangyayari sa imaging (hal., anino at pag-iilaw) ay maaaring magresulta sa mas mataas na spectral na pagkakaiba-iba sa klase (Yao et al., 2019). Kahit na sa mga huling yugto ng pananaliksik, ang mga mananaliksik ay hinamon upang matukoy ang pinakamainam na mga plano sa paglipad ayon sa mga partikular na senaryo at kinakailangang kalidad ng imahe (Soares et al., 2021; Tu et al.,
2020).
• Napansin namin na ang larangan ay umunlad mula sa pagbuo ng mahusay na mga sistema ng UAV hanggang sa pagsasama ng mga diskarte sa AI, tulad ng machine learning at malalim na pag-aaral sa disenyo ng mga agricultural drone (Bah et al., 2018; Kitano et al., 2019; Maimaitijiang et al. , 2020; Mazzia et al., 2020; Tetila et al., 2020).
• Pangunahing tinatalakay ng pananaliksik sa mga agricultural drone ang remote sensing sa pamamagitan ng paggalugad sa mga potensyal ng teknolohiya sa pagsubaybay sa kapaligiran, pamamahala ng pananim, at pamamahala ng damo (cluster 1) pati na rin ang malayuang phenotyping at pagtatantya ng ani (cluster 2). Ang isang hanay ng mga maimpluwensyang pag-aaral sa mga drone ng agrikultura ay kinabibilangan ng Austin (2010), Berni et al. (2009)a, Herwitz et al. (2004), Nex at Remondino (2014), at Zhang at Kovacs (2012). Binuo ng mga pag-aaral na ito ang konseptwal na batayan ng pananaliksik na nauugnay sa drone sa konteksto ng agrikultura.
• Kaugnay ng pamamaraan, napagmasdan namin na karamihan sa mga pananaliksik na ginawa sa ngayon ay binubuo ng alinman sa disenyo ng sistema, konseptwal, o pag-aaral na nakabatay sa pagsusuri (Inoue, 2020; Nex & Remondino, 2014; P´erez-Ortiz et al. , 2015; Yao et al., 2019). Napansin din namin ang kakulangan ng empirical, qualitative, at case-study-based na mga pamamaraan sa trabaho sa pagsisiyasat ng mga agricultural drone.
• Kamakailan, ang mga paksang nauugnay sa precision agriculture, AI techniques, precision viticulture, at water stress assessment ay nakakuha ng malaking pansin (Espinoza et al., 2017; Gomez-Cand ´ on ´ et al., 2016; Matese et al., 2015; Matese & Di Gennaro, 2018, 2021; Z. Zhou et al., 2021). Ang maingat na pagsusuri sa mga cluster ng pananaliksik sa dalawang magkahiwalay na panahon, 1990–2010 at 2011–2021, ay nagpapakita ng pag-unlad ng intelektwal na istruktura ng domain. Ang panahon mula 1990 hanggang 2010 ay bumubuo ng pagbuo ng mga sentral na paniwala at ang mga konsepto ng mga drone, na kitang-kita mula sa talakayan ng disenyo, pag-unlad, at pagpapatupad ng UAV. Sa ikalawang panahon, lumalawak ang focus ng pananaliksik sa mga naunang pag-aaral, na nagsisikap na i-synthesize ang mga kaso ng paggamit ng UAV sa agrikultura. Natagpuan din namin ang maraming pag-aaral na tumatalakay sa mga aplikasyon ng drone sa mga gawain sa imaging at tumpak na agrikultura.
Ranggo | Pahayagan | Bilangin |
1 | Remote Sensing | 258 |
2 | Journal of Intelligent and Robotic Systems: Teorya at | 126 |
aplikasyon | ||
3 | Mga Computer at Electronics sa Agrikultura | 98 |
4 | IEEE Robotics at Automation Letters | 87 |
5 | Sensor | 73 |
6 | International Journal ng Remote Sensing | 42 |
7 | Precision agrikultura | 41 |
8 | Drones | 40 |
9 | Agronomya | 34 |
10 | IEEE Access | 34 |
11 | International Journal of Advanced Robotic Systems | 31 |
12 | International Journal of Agricultural and Biological Engineering | 25 |
13 | PLoS ONE | 25 |
14 | Journal ng Field Robotics | 23 |
15 | Engineering ng Biosystems | 22 |
Implikasyon
Ang aming pagsusuri sa bibliometric ay idinisenyo at isinagawa nang nasa isip ang mga iskolar, magsasaka, eksperto sa agrikultura, consultant ng pananim, at UAV system. Sa pinakamabuting kaalaman ng mga may-akda, isa ito sa mga unang orihinal na pagsusuri na nagsagawa ng malalim na pagsusuri sa bibliometric ng
mga aplikasyon ng drone sa agrikultura. Nagsagawa kami ng komprehensibong pagsusuri sa katawan ng kaalaman na ito, gamit ang pagsipi at co-citation na pagsusuri ng mga publikasyon. Ang aming mga pagtatangka na ilarawan ang intelektwal na istruktura ng pananaliksik sa drone ay nag-aalok din ng mga bagong insight para sa mga akademiko. Ang isang maingat na pagsusuri ng mga keyword na ginamit sa paglipas ng panahon ay nagpapakita ng mga hotspot at focal research area sa mga literatura na nauugnay sa drone. Higit pa rito, nagpapakita kami ng isang listahan ng karamihan sa mga binanggit na pag-aaral upang matukoy ang pinakamaimpluwensyang mga gawaing pananaliksik na natapos sa larangan. Ang pagkakakilanlan ng mga artikulo at keyword ay maaaring magbigay ng isang matatag na panimulang punto upang matuklasan ang ilang mga paraan para sa hinaharap na pag-aaral.
Ang mahalaga, nagsiwalat kami ng mga kumpol na nag-uuri ng mga maihahambing na gawa at nagpaliwanag sa mga resulta. Ang mga pag-aaral na inuri sa mga kumpol ay tumutulong sa pag-unawa sa intelektwal na istruktura ng pananaliksik sa UAV. Kapansin-pansin, natuklasan namin ang isang kakulangan ng mga pag-aaral na nag-iimbestiga sa mga kadahilanan ng pag-aampon ng mga drone
at mga hadlang sa mga aktibidad sa pagsasaka (tingnan ang Talahanayan 9). Maaaring matugunan ng mga hinaharap na mananaliksik ang potensyal na agwat na ito sa pamamagitan ng pagsasagawa ng mga empirical na pagsisiyasat na sinusuri ang mga salik ng pag-aampon ng mga drone sa iba't ibang aktibidad sa pagsasaka at klimatiko na kondisyon. Higit pa rito, ang pananaliksik na nakabatay sa case study tungkol sa pagiging epektibo ng mga drone ay dapat na suportahan ng totoong data mula sa field. Gayundin, ang pagsali sa mga magsasaka at tagapamahala sa akademikong pananaliksik ay magiging kapaki-pakinabang para sa parehong teoretikal at praktikal na pagsulong ng pananaliksik sa drone. Natukoy din namin ang mga pinakakilalang mananaliksik at ang kanilang mga kontribusyon, na mahalaga dahil ang kamalayan sa mga kamakailang gawaing matagumpay ay maaaring mag-alok ng ilang patnubay para sa hinaharap na mga gawaing pang-akademiko.
Table 9
Mga hadlang sa pag-ampon ng UAV.
Hadlang | paglalarawan |
Seguridad ng data | Ang cyber security ay isang malaking hamon para sa pagpapatupad Mga solusyon sa IoT (Masroor et al., 2021). |
Interoperability at pagsasama-sama | Iba't ibang mga teknolohiya tulad ng UAV, WSN, IoT, atbp. dapat isama at magpadala ng data na pataasin ang antas ng pagiging kumplikado (Alsamhi et al., 2021; Popescu et al., 2020; Vuran et al., 2018). |
Mga gastos sa pagpapatupad | Ito ay partikular na ang kaso para sa mga maliliit na magsasaka at para sa pagsasama ng iba't ibang makabagong teknolohiya ( Masroor et al., 2021). |
Kaalaman sa paggawa at kadalubhasaan | Ang mga bihasang drone pilot ay kailangan para magpatakbo ng mga UAV. Gayundin, ang pagpapatupad ng iba't ibang cutting-edge ang mga teknolohiya ay nangangailangan ng mga bihasang manggagawa (YB Huang et al., 2013; Tsouros et al., 2019). |
Lakas ng Engine at paglipad tagal | Ang mga drone ay hindi maaaring patakbuhin nang mahabang oras at takip malalaking lugar (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Katatagan, pagiging maaasahan, at pamamahala | Ang mga drone ay hindi matatag sa panahon ng masamang kondisyon ng panahon (Hardin & Hardin, 2010; Laliberte et al., 2007). |
Mga limitasyon sa payload at kalidad ng mga sensor | Ang mga drone ay maaari lamang magdala ng limitadong load leads sa kakayahan ng pag-load ng mga sensor na may mababang kalidad (Nebiker et al., 2008). |
Regulasyon | Dahil ang mga drone ay maaaring mapanganib din, mayroong malala mga regulasyon sa ilang lugar (Hardin & Jensen, 2011; Laliberte & Rango, 2011). |
Kaalaman ng mga magsasaka at interes | Tulad ng iba pang mga makabagong teknolohiya, ang mga drone ang matagumpay na pagpapatupad ay nangangailangan ng kadalubhasaan at gayundin sinamahan ng kawalan ng katiyakan (Fisher et al., 2009; Lambert et al., 2004; Stafford, 2000). |
Dahil may patuloy na pangangailangan na mahusay na gumamit ng mga magagamit na mapagkukunan upang i-maximize ang mga ani, maaaring samantalahin ng mga magsasaka ang mga drone upang matiyak ang mabilis, tumpak, at cost-effective na pag-scan sa kanilang mga patlang. Maaaring suportahan ng teknolohiya ang mga magsasaka upang matukoy ang kalagayan ng kanilang mga pananim at masuri ang katayuan ng tubig, ang yugto ng pagkahinog, infestation ng insekto, at mga pangangailangan sa nutrisyon. Ang mga kakayahan sa remote-sensing ng mga drone ay maaaring magbigay sa mga magsasaka ng mahalagang data upang mahulaan ang mga isyu sa isang maagang yugto at agad na gumawa ng angkop na mga interbensyon. Gayunpaman, ang mga benepisyo ng teknolohiya ay maisasakatuparan lamang kung ang mga hamon ay maayos na natugunan. Sa liwanag ng
kasalukuyang mga problema tungkol sa seguridad ng data, mga isyu sa teknolohiya ng sensor (hal., ang pagiging maaasahan o katumpakan ng mga sukat), pagiging kumplikado ng pagsasama, at malaking gastos sa pagpapatupad, dapat ding suriin ng mga pag-aaral sa hinaharap ang teknikal, pang-ekonomiya, at pagiging posible sa pagpapatakbo ng pagsasama ng mga drone ng agrikultura at iba pang pagputol- mga teknolohiya sa gilid.
Mga hangganan
Ang aming pag-aaral ay may ilang mga limitasyon. Una, ang mga natuklasan ay tinutukoy ng mga publikasyong pinili para sa panghuling pagsusuri. Mahirap makuha ang lahat ng nauugnay na pag-aaral na nauugnay sa mga drone ng agrikultura, lalo na ang mga hindi na-index sa database ng Scopus. Dagdag pa, ang proseso ng pangongolekta ng data ay limitado sa pagtatakda ng mga keyword sa paghahanap, na maaaring hindi kasama at humantong sa mga hindi tiyak na natuklasan. Kaya, ang mga pag-aaral sa hinaharap ay kailangang magbayad ng higit na pansin sa pinagbabatayan na isyu ng pagkolekta ng data na gagawin
mas maaasahang konklusyon. Ang isa pang limitasyon ay tungkol sa mga bagong publikasyon na may mababang bilang ng mga pagsipi. Ang pagsusuri ng bibliometric ay may kinikilingan sa mga naunang publikasyon dahil may posibilidad silang makatanggap ng higit pang mga pagsipi sa paglipas ng mga taon. Ang mga kamakailang pag-aaral ay nangangailangan ng isang tiyak na tagal ng oras upang makaakit ng pansin at makaipon ng mga pagsipi. Dahil dito, ang mga kamakailang pag-aaral na nagdadala ng pagbabago sa paradigm ay hindi mairanggo sa nangungunang sampung maimpluwensyang mga gawa. Ang limitasyong ito ay laganap sa pagsusuri ng mabilis na umuusbong na mga domain ng pananaliksik tulad ng mga agricultural drone. Habang kinukunsulta namin ang Scopus upang pag-aralan ang literatura para sa gawaing ito, maaaring isaalang-alang ng mga susunod na mananaliksik ang iba
mga database, tulad ng Web of Science at IEEE Xplore, upang palawakin ang abot-tanaw at pagandahin ang istruktura ng pananaliksik.
Maaaring isaalang-alang ng mga potensyal na pag-aaral ng bibliometric ang iba pang mahahalagang mapagkukunan ng kaalaman tulad ng mga papel sa kumperensya, kabanata, at aklat upang makabuo ng mga nobelang insight. Sa kabila ng pagmamapa at pagsisiyasat ng mga pandaigdigang publikasyon sa mga drone ng agrikultura, hindi isiniwalat ng aming mga natuklasan ang mga dahilan sa likod ng mga iskolar na output ng mga unibersidad. Binibigyan nito ang daan patungo sa isang bagong lugar ng pananaliksik sa qualitatively na pagpapaliwanag kung bakit ang ilang mga unibersidad ay mas produktibo kaysa sa iba pagdating sa pananaliksik tungkol sa agrikultura.
mga drone. Bilang karagdagan, ang mga pag-aaral sa hinaharap ay maaaring magbigay ng mga pananaw sa potensyal ng mga drone upang mapataas ang pagpapanatili ng pagsasaka sa ilang mga paraan tulad ng pagsubaybay sa kapaligiran, pamamahala ng pananim, at pagmamapa ng damo gaya ng ipinahiwatig ng ilang mga mananaliksik (Chamuah & Singh, 2019; Islam et al., 2021; Popescu et al., 2020; J. Su, Liu, et al., 2018b). Dahil hindi posible ang pagsusuri sa teksto dahil sa mataas na bilang ng mga piling papel, kailangan ang sistematikong pagsusuri sa panitikan na sumusuri sa
pamamaraan ng pananaliksik na ginamit at ang paglahok ng mga magsasaka sa mga naunang pag-aaral. Sa madaling salita, inilalantad ng aming pagsusuri sa pananaliksik sa drone ang mga hindi nakikitang ugnayan ng katawan ng kaalaman na ito. Samakatuwid, ang pagsusuring ito ay nakakatulong upang matuklasan ang mga ugnayan sa pagitan ng mga publikasyon at ginalugad ang intelektwal na istruktura ng larangan ng pananaliksik. Inilalarawan din nito ang mga ugnayan sa pagitan ng iba't ibang aspeto ng panitikan, tulad ng mga keyword, kaakibat, at bansa ng mga may-akda.
Pagdeklara ng Makikipagkumpitensyang Interes
Inihayag ng mga may-akda na wala silang alam na nakikipagkumpitensya sa mga interes sa pananalapi o personal na mga relasyon na maaaring lumitaw upang maimpluwensyahan ang gawaing naiulat sa papel na ito.
Appendix 1
TITLE-ABS-KEY (((drone* O “unmanned aerial vehicle” O uav* O “unmanned aircraft system” O uas O “remotely piloted aircraft”) AT (agrikultura O agrikultura O pagsasaka O magsasaka))) AT (BUWASAN (PUBYEAR, 2022)) AT (LIMIT-TO (WIKA, “Ingles”)).
Mga sanggunian
Aasen, H., Burkart, A., Bolten, A., Bareth, G., 2015. Pagbuo ng 3D hyperspectral na impormasyon gamit ang magaan na UAV snapshot camera para sa pagsubaybay sa mga halaman: mula sa
pagkakalibrate ng camera sa kalidad ng kasiguruhan. ISPRS J. Photogramm. Remote Sens. 108, 245–259. https://doi.org/10.1016/j.isprsjprs.2015.08.002.
Abd-Elrahman, A., Pearlstine, L., Percival, F., 2005. Pagbuo ng algorithm ng pagkilala ng pattern para sa awtomatikong pag-detect ng ibon mula sa imahe ng sasakyang panghimpapawid na walang tao.
Survey. Impormasyon sa Lupa. Sci. 65 (1), 37–45.
Abdollahi, A., Rejeb, K., Rejeb, A., Mostafa, MM, Zailani, S., 2021. Wireless sensor network sa agrikultura: mga insight mula sa bibliometric analysis. Sustainability 13 (21),
12011.
Aboutalebi, M., Torres-Rua, AF, Kustas, WP, Nieto, H., Coopmans, C., McKee, M.,Assessment ng iba't ibang paraan para sa shadow detection sa high-resolution na optical imagery at pagsusuri ng epekto ng anino sa pagkalkula ng NDVI, at evapotranspiration. Irrig. Sci. 37 (3), 407–429. https://doi.org/10.1007/s00271-018-0613-9.
Adao, ˜ T., Hruˇska, J., Padua, ´ L., Bessa, J., Peres, E., Morais, R., Sousa, JJ, 2017. Hyperspectral imaging: isang pagsusuri sa mga sensor na nakabatay sa UAV, data pagproseso at
mga aplikasyon para sa agrikultura at kagubatan. Remote Sensing 9 (11). https://doi.org/ 10.3390/rs9111110.
Agüera Vega, F., Ramírez, FC, Saiz, MP, Rosúa, FO, 2015. Multi-temporal na imaging gamit ang isang unmanned aerial vehicle para sa pagsubaybay sa isang sunflower crop. Biosyst. Sinabi ni Eng.
132, 19–27. https://doi.org/10.1016/j.biosystemseng.2015.01.008.
Ajayi, OG, Salubi, AA, Angbas, AF, Odigure, MG, 2017. Ang pagbuo ng mga tumpak na modelo ng digital elevation mula sa UAV ay nakakuha ng mababang porsyento na nag-o-overlap na mga larawan. Int.
J. Remote Sens. 38 (8–10), 3113–3134. https://doi.org/10.1080/ 01431161.2017.1285085.
Ali, I., Greifeneder, F., Stamenkovic, J., Neumann, M., Notarnicola, C., 2015. Pagsusuri ng mga diskarte sa machine learning para sa mga pagkuha ng biomass at moisture ng lupa mula sa remote sensing data. Remote Sensing 7 (12), 16398–16421.
Alsamhi, SH, Afghah, F., Sahal, R., Hawbani, A., Al-qaness, MAA, Lee, B., Guizani, M., Green internet ng mga bagay gamit ang mga UAV sa B5G network: Isang pagsusuri ng mga application
at mga estratehiya. Ad. Hoc. Netw. 117, 102505 https://doi.org/10.1016/j. adhoc.2021.102505.
Al-Thani, N., Albuainain, A., Alnaimi, F., Zorba, N., 2020. Mga Drone para sa Pagsubaybay ng Sheep Livestock. Sa: Ika-20 IEEE Mediterranean Electrotechnical Conference. https://doi.
org/10.1109/MELECON48756.2020.9140588.
Ampatzidis, Y., Partel, V., 2019. High throughput na phenotyping na nakabatay sa UAV sa citrus na gumagamit ng multispectral imaging at artificial intelligence. Remote Sensing 11 (4), https://doi.org/10.3390/rs11040410.
Ampatzidis, Y., Partel, V., Costa, L., 2020. Agroview: Cloud-based na application para magproseso, mag-analisa at mag-visualize ng data na kinolekta ng UAV para sa mga precision agriculture application na gumagamit ng artificial intelligence. Comput. Elektron. Agric. 174, 105457 https://doi. org/10.1016/j.compag.2020.105457.
Ang, K.-L.-M., Seng, JKP, 2021. Big data at machine learning na may hyperspectral na impormasyon sa agrikultura. IEEE Access 9, 36699–36718. https://doi.org/10.1109/
ACCESS.2021.3051196.
Aquilani, C., Confessore, A., Bozzi, R., Sirtori, F., Pugliese, C., 2022. Review: precision Livestock Farming technologies in pasture-based livestock systems. Hayop 16 (1), https://doi.org/10.1016/j.animal.2021.100429.
Armenta-Medina, D., Ramirez-Delreal, TA, Villanueva-Vasquez, ´ D., Mejia-Aguirre, C., Trends on advanced information and communication technologies for
pagpapabuti ng mga produktibidad sa agrikultura: isang pagsusuri sa bibliometric. Agronomi 10 (12), Artikulo 12. https://doi.org/10.3390/agronomi10121989.
Armstrong, I., Pirrone-Brusse, M., Smith, A., Jadud, M., 2011. Ang lumilipad na gator: patungo sa aerial robotics sa occam-π. Commun. Arkitekto ng Proseso. 2011, 329–340. https://doi. org/10.3233/978-1-60750-774-1-329.
Arora, SD, Chakraborty, A., 2021. Intelektwal na istruktura ng pananaliksik sa pag-uugali ng pagrereklamo ng consumer (CCB): Isang pagsusuri sa bibliometric. J. Business Res. 122, 60–74.
Aslan, MF, Durdu, A., Sabanci, K., Ropelewska, E., Gültekin, SS, 2022.
Isang komprehensibong survey ng mga kamakailang pag-aaral na may UAV para sa katumpakan ng agrikultura sa mga bukas na patlang at mga greenhouse. Appl. Sci. 12 (3), 1047. https://doi.org/10.3390/
app12031047.
Atkinson, JA, Jackson, RJ, Bentley, AR, Ober, E., & Wells, DM (2018). Field Phenotyping para sa Hinaharap. Sa Annual Plant Reviews online (pp. 719–736). John
Wiley & Sons, Ltd. doi: 10.1002/9781119312994.apr0651.
Austin, R., 2010. Unmanned Aircraft Systems: UAVS Design, Development and Deployment. Sa: Unmanned Aircraft Systems: UAVS Design, Development and
Deployment. John Wiley at mga Anak. https://doi.org/10.1002/9780470664797.
Awais, M., Li, W., Cheema, MJM, Zaman, QU, Shaheen, A., Aslam, B., Zhu, W., Ajmal, M., Faheem, M., Hussain, S., Nadeem, AA, Afzal, MM, Liu, C., 2022. UAV based remote sensing sa stress ng halaman isipin ang paggamit ng high-resolution na thermal sensor para sa mga digital na kasanayan sa agrikultura: isang meta-review. Int. J. Kapaligiran. Sci. Technol. https://doi.
org/10.1007/s13762-021-03801-5.
Bacco, M., Berton, A., Ferro, E., Gennaro, C., Gotta, A., Matteoli, S., Paonessa, F., Ruggeri, M., Virone, G., Zanella, A., 2018. Matalinong pagsasaka: Mga Oportunidad, hamon
at mga nagpapagana ng teknolohiya. 2018 IoT Vertical at. Topical Summit on Agriculture -Tuscany (IOT Tuscany) 1–6. https://doi.org/10.1109/IOTTUSCANY.2018.8373043.
Bah, MD, Hafiane, A., Canals, R., 2018. Malalim na pag-aaral na may unsupervised data labeling para sa weed detection sa mga line crop sa UAV images. Remote Sensing 10 (11), 1690.
https://doi.org/10.3390/rs10111690.
Baldi, S., 1998. Normative versus social constructivist na mga proseso sa paglalaan ng mga pagsipi: isang modelo ng network-analytic. Am. Sociol. Apoc. 63 (6), 829–846. https://doi.
org / 10.2307 / 2657504.
Baluja, J., Diago, MP, Balda, P., Zorer, R., Meggio, F., Morales, F., Tardaguila, J., 2012. Pagtatasa ng pagkakaiba-iba ng katayuan ng tubig sa ubasan sa pamamagitan ng thermal at multispectral
imagery gamit ang isang unmanned aerial vehicle (UAV). Irrig. Sci. 30 (6), 511–522. https://doi.org/10.1007/s00271-012-0382-9.
Barabaschi, D., Tondelli, A., Desiderio, F., Volante, A., Vaccino, P., Val`e, G., Cattivelli, L.,Next generation breeding. Plant Sci. 242, 3–13. https://doi.org/10.1016/j.
plantsci.2015.07.010.
Barbedo, JGA, Koenigkan, LV, 2018. Mga pananaw sa paggamit ng unmanned aerial system para subaybayan ang mga baka. Outlook Agric. 47 (3), 214–222. https://doi.org/10.1177/0030727018781876.
Bareth, G., Aasen, H., Bendig, J., Gnyp, ML, Bolten, A., Jung, A., Michels, R., Soukkamaki, ¨ J., 2015. Low-weight at UAV-based hyperspectral mga full-frame na camera
para sa pagsubaybay sa mga pananim: Spectral na paghahambing sa portable spectroradiometer measurements. Photogrammetrie, Fernerkundung, Geoinformation 2015 (1), 69–79.
https://doi.org/10.1127/pfg/2015/0256.
Barrientos, A., Colorado, J., del Cerro, J., Martinez, A., Rossi, C., Sanz, D., Valente, J., Aerial remote sensing sa agrikultura: Isang praktikal na diskarte sa saklaw ng lugar
at pagpaplano ng landas para sa mga fleet ng mini aerial robot. J. Field Rob. 28 (5), 667–689. https://doi.org/10.1002/rob.20403.
Basiri, A., Mariani, V., Silano, G., Aatif, M., Iannelli, L., Glielmo, L., 2022. Isang survey sa aplikasyon ng mga algorithm sa pagpaplano ng landas para sa mga multi-rotor na UAV sa katumpakan
agrikultura. J. Navig. 75 (2), 364–383.
Basnet, B., Bang, J., 2018. Ang state-of-the-art ng knowledge-intensive na agrikultura: isang pagsusuri sa mga inilapat na sensing system at data analytics. J. Sens. 2018, 1–13.
Bendig, J., Bolten, A., Bareth, G., 2013. UAV-based na imaging para sa multi-temporal, napakataas na resolution ng mga crop surface na modelo upang masubaybayan ang pagkakaiba-iba ng paglago ng crop. Photogrammetrie, Fernerkundung, Geoinformation 2013 (6), 551–562. https://doi. org/10.1127/1432-8364/2013/0200.
Bendig, J., Bolten, A., Bennertz, S., Broscheit, J., Eichfuss, S., Bareth, G., 2014. Pagtantya ng biomass ng barley gamit ang crop surface models (CSMs) na hinango mula sa UAVbased RGB imaging. Remote Sensing 6 (11), 10395–10412.
Bendig, J., Yu, K., Aasen, H., Bolten, A., Bennertz, S., Broscheit, J., Gnyp, ML, Bareth, G., 2015. Pinagsasama ang taas ng halaman na nakabatay sa UAV mula sa ibabaw ng pananim mga modelo,
nakikita, at malapit sa infrared vegetation index para sa biomass monitoring sa barley. Int. J. Appl. Earth Obs. Geoinf. 39, 79–87. https://doi.org/10.1016/j.jag.2015.02.012.
Berni, JA, Zarco-Tejada, PJ, Sepulcre-Canto, ´ G., Fereres, E., Villalobos, F., 2009a. Pagma-map ng canopy conductance at CWSI sa mga olive orchards gamit ang mataas na resolution
thermal remote sensing imagery. Kapaligiran ng Remote Sens. 113 (11), 2380–2388. https://doi.org/10.1016/j.rse.2009.06.018.
Berni, JA, Zarco-Tejada, PJ, Suarez, ´ L., Fereres, E., 2009b. Thermal at narrowband multispectral remote sensing para sa vegetation monitoring mula sa isang unmanned aerial vehicle. IEEE Trans. Geosci. Remote Sens. 47 (3), 722–738.
Bouzembrak, Y., Klüche, M., Gavai, A., Marvin, HJP, 2019. Internet of Things in food safety: Literature review at isang bibliometric analysis. Trends Food Sci. Technol. 94,54–64. https://doi.org/10.1016/j.tifs.2019.11.002.
Brewster, C., Roussaki, I., Kalatzis, N., Doolin, K., Ellis, K., 2017. IoT sa agrikultura: Pagdidisenyo ng malawakang piloto sa buong Europa. IEEE Commun. Mag. 55 (9), 26–33.
Buters, TM, Belton, D., Cross, AT, 2019. Multi-sensor UAV tracking ng mga indibidwal na seedlings at seedling community sa millimeter accuracy. Mga drone 3 (4), 81.
https://doi.org/10.3390/drones3040081.
Candiago, S., Remondino, F., De Giglio, M., Dubbini, M., Gattelli, M., 2015. Pagsusuri ng mga multispectral na larawan at mga indeks ng vegetation para sa mga aplikasyon ng precision farming mula sa mga larawan ng UAV. Remote Sensing 7 (4), 4026–4047. https://doi.org/10.3390/rs70404026.
Cao, Y., Li, GL, Luo, YK, Pan, Q., Zhang, SY, 2020. Pagsubaybay sa mga sugar beet growth indicator gamit ang wide-dynamic-range vegetation index (WDRVI) na nagmula sa UAV
multispectral na mga imahe. Comput. Elektron. Agric. 171, 105331 https://doi.org/10.1016/j.compag.2020.105331.
Casillas, J., Acedo, F., 2007. Ebolusyon ng intelektwal na istruktura ng panitikan sa negosyo ng pamilya: isang bibliometric na pag-aaral ng FBR. Negosyo ng Pamilya Rev. 20 (2), 141–162.
Cen, H., Wan, L., Zhu, J., Li, Y., Li, X., Zhu, Y., Weng, H., Wu, W., Yin, W., Xu, C., Bao, Y., Feng, L., Shou, J., He, Y., 2019. Dynamic na pagsubaybay sa biomass ng bigas sa ilalim
iba't ibang nitrogen treatment gamit ang isang magaan na UAV na may dalawahang image-frame snapshot camera. Mga Paraan ng Halaman 15 (1), 32. https://doi.org/10.1186/s13007-019-
0418-8.
Chamuah, A., Singh, R., 2019. Pag-secure ng sustainability sa Indian agriculture sa pamamagitan ng civilian UAV: isang responsableng pananaw sa innovation. SN Appl. Sci. 2 (1), 106. https://
doi.org/10.1007/s42452-019-1901-6.
Chamuah, A., Singh, R., 2022. Responsableng pamamahala ng civilian unmanned aerial vehicle (UAV) innovations para sa Indian crop insurance application. J. Responsable
Technol. 9, 100025 https://doi.org/10.1016/j.jrt.2022.100025.
Chen, A., Orlov-Levin, V., Meron, M., 2019. Paglalapat ng high-resolution na visible-channel na aerial imaging ng crop canopy sa tumpak na pamamahala ng irigasyon. Agric. Tubig
Manag. 216, 196–205. https://doi.org/10.1016/j.agwat.2019.02.017.
Daakir, M., Pierrot-Deseilligny, M., Bosser, P., Pichard, F., Thom, C., Rabot, Y., Martin, O., 2017. Magaang UAV na may on-board photogrammetry at singlefrequency GPS positioning para sa mga aplikasyon ng metrology. ISPRS J. Photogramm. Remote Sens. 127, 115–126. https://doi.org/10.1016/j.isprsjprs.2016.12.007.
Dawaliby, S., Aberkane, A., Bradai, A., 2020. Blockchain-based IoT platform para sa autonomous drone operations management. Sa: Mga pamamaraan ng 2nd ACM
MobiCom Workshop sa Drone Assisted Wireless Communications para sa 5G at Higit pa, pp. 31–36. https://doi.org/10.1145/3414045.3415939.
Day, RA, Gastel, B., 1998. Paano magsulat at maglathala ng siyentipikong papel. Cambridge University Press. de Castro, AI, Pena, ˜ JM, Torres-Sanchez, ´ J., Jim´enez-Brenes, FM, ValenciaGredilla, F., Recasens, J., Lopez-Granados, ´ F., 2020. Mapping cynodon dactylon infesting takpan ang mga pananim na may awtomatikong decision tree-OBIA procedure at UAV imagery para sa precision viticulture. Remote Sensing 12 (1), 56. https://doi.org/10.3390/rs12010056.
de Castro, AI, Torres-S´ anchez, J., Pena, ˜ JM, Jim´enez-Brenes, FM, Csillik, O., Lopez- ´Granados, F., 2018. Isang awtomatikong random na kagubatan-OBIA algorithm para sa maagang pagmamapa ng damo sa pagitan at sa loob ng mga row crop gamit ang UAV imagery. Remote Sensing 10 (2). https://doi.org/10.3390/rs10020285.
Demir, N., Sonmez, ¨ NK, Akar, T., Ünal, S., 2018. Awtomatikong Pagsukat ng Taas ng Halaman ng mga Genotype ng Wheat Gamit ang DSM na Nagmula sa UAV Imagery. Mga Pamamaraan 2 (7), 350. https://doi.org/10.3390/ecrs-2-05163.
Deng, J., Zhong, Z., Huang, H., Lan, Y., Han, Y., Zhang, Y., 2020. Magaang semantic segmentation network para sa real-time na pagmamapa ng damo gamit ang mga unmanned aerial na sasakyan. Appl. Sci. 10 (20), 7132. https://doi.org/10.3390/app10207132.
Deng, L., Mao, Z., Li, X., Hu, Z., Duan, F., Yan, Y., 2018. UAV-based multispectral remote sensing para sa precision agriculture: isang paghahambing sa pagitan ng iba't ibang camera. ISPRS J. Photogramm. Remote Sens. 146, 124–136.
Diaz-Gonzalez, FA, Vuelvas, J., Correa, CA, Vallejo, VE, Patino, D., 2022. Ang machine learning at remote sensing techniques ay inilapat upang tantyahin ang mga indicator ng lupa – pagsusuri. Ecol. Ind. 135, 108517 https://doi.org/10.1016/j.ecolind.2021.108517.
Díaz-Varela, RA, De la Rosa, R., Leon, ´ L., Zarco-Tejada, PJ, 2015. High-resolution na airborne UAV imagery para masuri ang mga parameter ng korona ng olive tree gamit ang 3D na larawan
muling pagtatayo: aplikasyon sa mga pagsubok sa pag-aanak. Remote Sensing 7 (4), 4213–4232. https://doi.org/10.3390/rs70404213.
Dixit, A., Jakhar, SK, 2021. Pamamahala sa kapasidad ng paliparan: isang pagsusuri at pagsusuri sa bibliometric. J. Air Transp. Manag. 91, 102010.
Dong, T., Shang, J., Liu, J., Qian, B., Jing, Q., Ma, B., Huffman, T., Geng, X., Sow, A., Shi, Y., Canisius, F., Jiao, X., Kovacs, JM, Walters, D., Cable, J., Wilson, J., 2019.
Paggamit ng RapidEye na koleksyon ng imahe upang matukoy ang pagkakaiba-iba sa loob ng field ng paglago at ani ng pananim sa Ontario, Canada. Precision Agric. 20 (6), 1231–1250. https://doi.org/10.1007/
s11119-019-09646-w.
Dutta, PK, Mitra, S., 2021. Paglalapat ng mga agricultural drone at iot upang maunawaan ang food supply chain sa panahon ng post COVID-19. Sa: Choudhury, A., Biswas, A., Prateek, M.,
Chakrabarti, A. (Eds.), Agricultural Informatics: Automation Gamit ang IoT at Machine Learning. Wiley, pp. 67–87. van Eck, N., Waltman, L., 2009. Software survey: VOSviewer, isang computer program para sa bibliometric mapping. Scientometrics 84 (2), 523–538. https://doi.org/10.1007/s11192-009-0146-3.
Elijah, O., Rahman, TA, Orikumhi, I., Leow, CY, Hindia, MN, 2018. Isang pangkalahatang-ideya ng Internet of Things (IoT) at data analytics sa agrikultura: mga benepisyo at hamon.
IEEE Internet Things J. 5 (5), 3758–3773.
Enciso, J., Avila, CA, Jung, J., Elsayed-Farag, S., Chang, A., Yeom, J., Landivar, J.,Maeda, M., Chavez, JC, 2019. Pagpapatunay ng agronomic UAV at field
mga sukat para sa mga varieties ng kamatis. Comput. Elektron. Agric. 158, 278–283. https:// doi.org/10.1016/j.compag.2019.02.011.
Espinoza, CZ, Khot, LR, Sankaran, S., Jacoby, PW, 2017. High resolution na multispectral at thermal remote sensing-based na water stress assessment sa
subsurface irrigated grapevines. Remote Sensing 9 (9), 961. https://doi.org/ 10.3390/rs9090961.
Ewing, J., Oommen, T., Jayakumar, P., Alger, R., 2020. Paggamit ng hyperspectral remote sensing para sa gradasyon ng lupa. Remote Sensing 12 (20), 3312. ttps://doi.org/10.3390/
rs12203312.
Fawcett, D., Panigada, C., Tagliabue, G., Boschetti, M., Celesti, M., Evdokimov, A., Biriukova, K., Colombo, R., Miglietta, F., Rascher, U., Anderson, K., 2020. Multiscale evaluation ng drone-based na multispectral surface reflectance at vegetation index sa mga kondisyon ng pagpapatakbo. Remote Sensing 12 (3), 514.
Feng, X., Yan, F., Liu, X., 2019. Pag-aaral ng mga teknolohiyang wireless na komunikasyon sa Internet of Things para sa precision agriculture. Wireless Pers. Commun. 108 (3),
1785-1802.
Ferreira, MP, Pinto, CF, Serra, FR, 2014. The transaction cost theory in international business research: isang bibliometric na pag-aaral sa loob ng tatlong dekada. Scientometrics 98 (3), 1899–1922. https://doi.org/10.1007/s11192-013-1172-8.
Fisher, P., Abuzar, M., Rab, M., Best, F., Chandra, S., 2009. Mga pagsulong sa precision agriculture sa timog-silangang Australia. I. isang regression methodology upang gayahin
spatial na pagkakaiba-iba sa mga ani ng cereal gamit ang mga makasaysayang ani ng paddock ng mga magsasaka at normalized na pagkakaiba ng vegetation index. Pananim Pasture Sci. 60 (9), 844–858.
Floreano, D., Wood, RJ, 2015. Agham, teknolohiya at kinabukasan ng maliliit na autonomous drone. Kalikasan 521 (7553), 460–466. https://doi.org/10.1038/nature14542.
Friha, O., Ferrag, MA, Shu, L., Maglaras, LA, Wang, X., 2021. Internet ng mga bagay para sa hinaharap ng matalinong agrikultura: isang komprehensibong survey ng mga umuusbong na teknolohiya. IEEE CAA J. Autom. Sinica 8 (4), 718–752.
Fuentes-Pacheco, J., Torres-Olivares, J., Roman-Rangel, E., Cervantes, S., JuarezLopez, P., Hermosillo-Valadez, J., Rendon-Mancha, ´ JM, 2019. Fig plant segmentation mula sa aerial na mga imahe gamit ang isang malalim na convolutional encoder-decoder network. Remote Sensing 11 (10), 1157. https://doi.org/10.3390/rs11101157.
Gago, J., Douthe, C., Coopman, RE, Gallego, PP, Ribas-Carbo, M., Flexas, J., Escalona, J., Medrano, H., 2015. Hinahamon ng mga UAV na tasahin ang stress ng tubig para sa
napapanatiling agrikultura. Agric. Manag ng Tubig. 153, 9–19. https://doi.org/10.1016/j. agwat.2015.01.020.
García-Tejero, IF, Rubio, AE, Vinuela, ˜ I., Hern´ andez, A., Guti´errez-Gordillo, S., Rodríguez-Pleguezuelo, CR, Dur´ an-Zuazo, VH, 2018. Thermal imaging sa halaman
antas upang masuri ang katayuan ng crop-water sa mga puno ng almendras (cv. Guara) sa ilalim ng mga diskarte sa depisit na patubig. Agric. Manag ng Tubig. 208, 176–186. https://doi.org/10.1016/j.
agwat.2018.06.002.
Garzonio, R., Di Mauro, B., Colombo, R., Cogliati, S., 2017. Surface reflectance at suninduced fluorescence spectroscopy measurements gamit ang isang maliit na hyperspectral UAS. Remote Sensing 9 (5), 472. https://doi.org/10.3390/rs9050472. Gaˇ sparovi´c, M., Zrinjski, M., Barkovi´c, Đ., Radoˇcaj, D., 2020. Isang awtomatikong paraan para sa
weed mapping sa mga oat field batay sa UAV imagery. Comput. Elektron. Agric.
Gebbers, R., Adamchuk, VI, 2010. Precision agriculture at food security. Science 327 (5967), 828–831. https://doi.org/10.1126/science.1183899.
Geipel, J., Link, J., Claupein, W., 2014. Pinagsamang spectral at spatial na pagmomodelo ng ani ng mais batay sa mga aerial na imahe at mga modelo sa ibabaw ng crop na nakuha gamit ang isang sistema ng sasakyang panghimpapawid na walang tao. Remote Sensing 6 (11), 10335–10355. https://doi.org/10.3390/rs61110335.
Geng, D., Feng, Y., Zhu, Q., 2020. Sustainable design for users: a literature review and bibliometric analysis. Kapaligiran. Sci. polutan. Res. 27 (24), 29824–29836. https://doi. org/10.1007/s11356-020-09283-1.
Gevaert, CM, Suomalainen, J., Tang, J., Kooistra, L., 2015. Pagbuo ng spectraltemporal response surface sa pamamagitan ng pagsasama ng multispectral satellite at hyperspectral
UAV imagery para sa katumpakan na mga aplikasyon sa agrikultura. IEEE J. Sel. Nangunguna. Appl. Earth Obs. Remote Sens. 8 (6), 3140–3146. ttps://doi.org/10.1109/JSTARS.2015.2406339.
Gill, SS, Chana, I., Buyya, R., 2017. IoT based agriculture bilang cloud at malaking serbisyo ng data: ang simula ng digital India. J. Org. at End User Comput. (JOEUC) 29 (4),
1-23.
Gmür, M., 2006. Co-citation analysis at ang paghahanap para sa hindi nakikitang mga kolehiyo: isang methodological evaluation. Scientometrics 57 (1), 27–57. https://doi.org/10.1023/
a:1023619503005.
Gnadinger, ¨ F., Schmidhalter, U., 2017. Mga digital na bilang ng mga halaman ng mais ng Unmanned Aerial Vehicles (UAVs). Remote Sensing 9 (6). Https://doi.org/10.3390/rs9060544.
Gokto ¨ ǧan, AH, Sukkarieh, S., Bryson, M., Randle, J., Lupton, T., Hung, C., 2010. Isang Rotary-wing unmanned air vehicle para sa aquatic weed surveillance at
pamamahala. J. Intell. Robotic Syst.: Teor. Appl. 57 (1–4), 467–484. https://doi. org/10.1007/s10846-009-9371-5.
Gomez-Cand ´ on, ´ D., De Castro, AI, Lopez-Granados, ´ F., 2014. Pagsusuri sa katumpakan ng mga mosaic mula sa unmanned aerial vehicle (UAV) imagery para sa precision agriculture na layunin sa trigo. Precis. Agric. 15 (1), 44–56. https://doi.org/10.1007/s11119-013-9335-4.
Gomez-Cand ´ on, ´ D., Virlet, N., Labb´e, S., Jolivot, A., Regnard, J.-L., 2016. Field phenotyping ng water stress at tree scale sa pamamagitan ng UAV-sensed imagery : mga bagong insight para sa
thermal acquisition at pagkakalibrate. Precis. Agric. 17 (6), 786–800. https://doi.org/10.1007/s11119-016-9449-6.
Gonzalez-Dugo, V., Zarco-Tejada, PJ, Fereres, E., 2014. Applicability at limitasyon ng paggamit ng crop water stress index bilang indicator ng water deficits sa citrus orchards. Agric. Para sa. Meteorol. 198–199, 94–104. https://doi.org/10.1016/j. agrformet.2014.08.003.
Gonzalez-Dugo, V., Zarco-Tejada, P., Nicolas, ´ E., Nortes, PA, Alarcon, ´ JJ, Intrigliolo, DS, Fereres, E., 2013. Paggamit ng mataas na resolution ng UAV thermal imagery upang
tasahin ang pagkakaiba-iba sa katayuan ng tubig ng limang uri ng puno ng prutas sa loob ng isang komersyal na taniman. Precis. Agric. 14 (6), 660–678. https://doi.org/10.1007/s11119-013-9322-9.
Goyal, K., Kumar, S., 2021. Financial literacy: Isang sistematikong pagsusuri at pagsusuri ng bibliometric. Int. J. Consumer Studies 45 (1), 80–105. https://doi.org/10.1111/
ijcs.12605.
Grenzdorffer, ¨ GJ, Engel, A., Teichert, B., 2008. Ang potensyal na photogrammetric ng mga murang uav sa kagubatan at agrikultura. International Archives ng Photogrammetry, Remote Sensing at Spatial Information Sciences – ISPRS Archives 37, 1207–1213. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85039543258&partnerI D=40&md5=b4b2d639257e8ddb5a373d15959c4e1e.
Guan, S., Fukami, K., Matsunaka, H., Okami, M., Tanaka, R., Nakano, H., Sakai, T., Nakano, K., Ohdan, H., Takahashi, K., 2019. Pagtatasa ng ugnayan ng mataas na resolusyon
NDVI na may antas ng paggamit ng pataba at ani ng mga pananim na palay at trigo gamit ang maliliit na UAV. Remote Sensing 11 (2), 112.
Gundolf, K., Filser, M., 2013. Pananaliksik sa pamamahala at relihiyon: isang pagsusuri sa pagsipi. J. Bus. Etika 112 (1), 177–185.
Guo, Q., Zhu, Y., Tang, Y., Hou, C., He, Y., Zhuang, J., Zheng, Y., Luo, S., 2020. CFD simulation at experimental verification ng spatial at temporal na pamamahagi ng
ang downwash airflow ng quad-rotor agricultural UAV sa hover. Comput. Elektron. Agric. 172, 105343 https://doi.org/10.1016/j.compag.2020.105343.
Haghighattalab, A., Gonz´ alez P´erez, L., Mondal, S., Singh, D., Schinstock, D., Rutkoski, J., Ortiz-Monasterio, I., Singh, RP, Goodin, D. , Poland, J., 2016.
Application ng unmanned aerial system para sa high throughput phenotyping ng malalaking wheat breeding nursery. Mga Paraan ng Halaman 12 (1). https://doi.org/10.1186/s13007-
016-0134-6.
Hakala, T., Honkavaara, E., Saari, H., Makynen, ¨ J., Kaivosoja, J., Pesonen, L., & Pol ¨ onen, ¨I., 2013. Spectral imaging mula sa mga UAV sa ilalim ng iba't ibang kondisyon ng pag-iilaw . Sa GG Bill R. (Ed.), International Archives of the Photogrammetry, Remote Sensing at Spatial Information Sciences—ISPRS Archives (Vol. 40, Issue 1W2, pp. 189–194). International Society para sa Photogrammetry at Remote Sensing. https://www.scopus.com/inward/record.uri?eid=2-s2.0-848875632.
Hamylton, SM, Morris, RH, Carvalho, RC, Roder, N., Barlow, P., Mills, K., Wang, L. Pagsusuri ng mga diskarte para sa pagmamapa ng mga halaman sa isla mula sa unmanned aerial
sasakyan (UAV) na mga larawan: Pixel classification, visual interpretation at machine learning approach. Int. J. Appl. Earth Obs. Geoinf. 89, 102085 https://doi.org/
10.1016/j.jag.2020.102085.
Haque, A., Islam, N., Samrat, NH, Dey, S., Ray, B., 2021. Matalinong pagsasaka sa pamamagitan ng responsableng pamumuno sa bangladesh: mga posibilidad, pagkakataon, at higit pa.
Sustainability 13 (8), 4511.
Hardin, PJ, Hardin, TJ, 2010. Small-scale na malayuang piloted na sasakyan sa pananaliksik sa kapaligiran. Geography Compass 4 (9), 1297–1311. ttps://doi.org/10.1111/j.1749-
8198.2010.00381.x.
Hardin, PJ, Jensen, RR, 2011. Small-scale unmanned aerial vehicles sa environmental remote sensing: mga hamon at pagkakataon. GISci. Remote Sens. 48 (1), 99–111. https://doi.org/10.2747/1548-1603.48.1.99.
He, Y., Nie, P., Zhang, Q., Liu, F., 2021. Agricultural Internet of Things: mga teknolohiya at aplikasyon, (1st ed. 2021 na edisyon). Springer.
Herwitz, SR, Johnson, LF, Dunagan, SE, Higgins, RG, Sullivan, DV, Zheng, J., Lobitz, BM, Leung, JG, Gallmeyer, BA, Aoyagi, M., Slye, RE, Brass, JA, 2004.
Imaging mula sa isang unmanned aerial vehicle: pagsubaybay sa agrikultura at suporta sa desisyon. Comput. Elektron. Agric. 44 (1), 49–61. https://doi.org/10.1016/j.
compag.2004.02.006.
Holman, FH, Riche, AB, Michalski, A., Castle, M., Wooster, MJ, Hawkesford, MJ, High throughput field phenotyping ng taas ng halaman ng trigo at rate ng paglago sa mga pagsubok sa field plot gamit ang remote sensing na nakabatay sa UAV. Remote Sensing 8 (12). https://doi. org/10.3390/rs8121031.
Honkavaara, E., Saari, H., Kaivosoja, J., Pol ¨ onen, ¨ I., Hakala, T., Litkey, P., M¨akynen, J., Pesonen, L., 2013. Pagproseso at pagtatasa ng spectrometric, stereoscopic na koleksyon ng imahe gamit ang isang magaan na UAV spectral camera para sa tumpak na agrikultura. Remote Sensing 5 (10), 5006–5039. https://doi.org/10.3390/rs5105006.
Hossein Motlagh, N., Taleb, T., Arouk, O., 2016. Low-altitude unmanned aerial vehiclesbased internet of things services: comprehensive survey at future perspectives. IEEE Internet Things J. 3 (6), 899–922. https://doi.org/10.1109/JIOT.2016.2612119.
Hrabar, S., Sukhatme, GS, Corke, P., Usher, K., Roberts, J., 2005. Pinagsamang optic-flow at stereo-based na navigation ng mga urban canyon para sa isang UAV. Noong: 2005 IEEE/RSJ
International Conference on Intelligent Robots and Systems, pp. 3309–3316. https://doi.org/10.1109/IROS.2005.1544998.
Hsu, T.-C., Yang, H., Chung, Y.-C., Hsu, C.-H., 2020. Isang Creative IoT agriculture platform para sa cloud fog computing. Sustain. Comput. Inf. Syst. 28, 100285.
Huang, H., Deng, J., Lan, Y., Yang, A., Deng, X., Zhang, L., Gonzalez-Andujar, JL, 2018. Isang ganap na convolutional network para sa weed mapping ng unmanned aerial vehicle ( UAV) na imahe. PLoS ONE 13 (4), e0196302.
Huang, H., Lan, Y., Yang, A., Zhang, Y., Wen, S., Deng, J., 2020. Deep learning versus Object-based Image Analysis (OBIA) sa weed mapping ng UAV imagery. Int. J.
Remote Sens. 41 (9), 3446–3479. https://doi.org/10.1080/01431161.2019.1706112.
Huang, H., Yang, A., Tang, Y., Zhuang, J., Hou, C., Tan, Z., Dananjayan, S., He, Y., Guo, Q., Luo, S., 2021. Deep color calibration para sa UAV imagery sa crop monitoring
gamit ang paglilipat ng istilong semantiko na may lokal na atensyong pandaigdig. Int. J. Appl. Earth Obs. Geoinf. 104, 102590 https://doi.org/10.1016/j.jag.2021.102590.
Huang, YB, Thomson, SJ, Hoffmann, WC, Lan, YB, Fritz, BK, 2013. Pag-unlad at pag-asam ng mga unmanned aerial vehicle na teknolohiya para sa produksyon ng agrikultura
pamamahala. Int. J. Agric. Biol. Sinabi ni Eng. 6 (3), 1–10. https://doi.org/10.3965/j. ijabe.20130603.001.
Huang, Y., Hoffmann, WC, Lan, Y., Wu, W., Fritz, BK, 2009. Pagbuo ng spray system para sa unmanned aerial vehicle platform. Appl. Sinabi ni Eng. Agric. 25 (6), 803–809.
Hunt Jr., ER, Dean Hively, W., Fujikawa, SJ, Linden, DS, Daughtry, CST, McCarty, GW, 2010. Pagkuha ng NIR-berde-asul na mga digital na litrato mula sa
unmanned aircraft para sa pagsubaybay sa pananim. Remote Sensing 2 (1), 290–305. https://doi. org/10.3390/rs2010290. Inoue, Y., 2020. Satellite- at drone-based remote sensing ng mga pananim at lupa para sa matalinong pagsasaka–isang pagsusuri. Lupa Sci. Halaman Nutr. 66 (6), 798–810. https://doi.org/10.1080/00380768.2020.1738899.
Islam, N., Rashid, MM, Pasandeh, F., Ray, B., Moore, S., Kadel, R., 2021. Isang pagsusuri ng mga aplikasyon at teknolohiya ng komunikasyon para sa Internet of Things (IoT) at
Unmanned Aerial Vehicle (UAV) based sustainable smart farming. Sustainability 13 (4), 1821. https://doi.org/10.3390/su13041821.
Jaud, M., Passot, S., Le Bivic, R., Delacourt, C., Grandjean, P., Le Dantec, N., 2016. Pagsusuri sa katumpakan ng mataas na resolution na mga digital surface na modelo na nakalkula ng
PhotoScan® at MicMac® sa sub-optimal na kondisyon ng survey. Remote Sensing 8 (6), https://doi.org/10.3390/rs8060465.
Jim´enez-Brenes, FM, Lopez-Granados, ´ F., Castro, AI, Torres-S´ anchez, J., Serrano, N., Pena, ˜ JM, 2017. Pagbibilang ng mga epekto ng pruning sa arkitektura ng puno ng oliba at taunang paglago ng canopy sa pamamagitan ng paggamit ng UAV-based 3D modelling. Mga Paraan ng Halaman 13 (1). https://doi.org/10.1186/s13007-017-0205-3.
Jin, X., Liu, S., Baret, F., Hemerl´e, M., Comar, A., 2017. Mga pagtatantya ng density ng halaman ng mga pananim na trigo sa paglitaw mula sa napakababang altitude na UAV imagery. Remote Sens.
Kapaligiran. 198, 105–114. https://doi.org/10.1016/j.rse.2017.06.007.
Jinbo, C., Xiangliang, C., Han-Chi, F., Lam, A., 2019. Sistema ng pagsubaybay sa produktong pang-agrikultura na sinusuportahan ng cloud computing. Cluster Comput. 22 (4), 8929–8938.
Ju, C., at Anak, HI 2018a. Pagsusuri ng pagganap ng maramihang mga UAV system para sa remote sensing sa agrikultura. Proceedings of the Workshop on Robotic Vision and Action in Agriculture sa IEEE International Conference on Robotics and Automation (ICRA), Brisbane, Australia, 21–26.
Ju, C., Anak, HI, 2018b. Maramihang UAV system para sa mga aplikasyong pang-agrikultura: kontrol, pagpapatupad, at pagsusuri. Electronics 7 (9), 162. https://doi.org/10.3390/
electronics7090162.
Jung, J., Maeda, M., Chang, A., Bhandari, M., Ashapure, A., Landivar-Bowles, J., 2021. Ang potensyal ng remote sensing at artificial intelligence bilang mga tool upang mapabuti ang
katatagan ng mga sistema ng produksyon ng agrikultura. Curr. Opin. Biotechnol. 70, 15–22. https://doi.org/10.1016/j.copbio.2020.09.003.
Kalischuk, M., Paret, ML, Freeman, JH, Raj, D., Da Silva, S., Eubanks, S., Wiggins, DJ, Lollar, M., Marois, JJ, Mellinger, HC, Das, J. , 2019. Isang pinahusay na crop scouting technique na nagsasama ng unmanned aerial vehicle–assisted multispectral crop imaging sa conventional scouting practice para sa gummy stem blight sa watermelon. Halaman Dis. 103 (7), 1642–1650.
Kapoor, KK, Tamilmani, K., Rana, NP, Patil, P., Dwivedi, YK, Nerur, S., 2018. Mga pagsulong sa pananaliksik sa social media: nakaraan, kasalukuyan at hinaharap. Ipaalam. Syst. harap. 20
(3), 531-558.
Kerkech, M., Hafiane, A., Canals, R., 2020. VddNet: vine disease detection network batay sa mga multispectral na larawan at depth na mapa. Remote Sensing 12 (20), 3305. https://doi. org/10.3390/rs12203305.
Khaliq, A., Comba, L., Biglia, A., Ricauda Aimonino, D., Chiaberge, M., Gay, P., 2019. Paghahambing ng satellite at UAV-based na multispectral na koleksyon ng imahe para sa ubasan
pagtatasa ng pagkakaiba-iba. Remote Sensing 11 (4). https://doi.org/10.3390/rs11040436.
Khan, PW, Byun, Y.-C., Park, N., 2020. IoT-blockchain enabled optimized provenance system para sa food industry 4.0 gamit ang advanced deep learning. Mga Sensor 20 (10), 2990.
Khan, RU, Khan, K., Albattah, W., Qamar, AM, Ullah, F., 2021. Image-based na pagtuklas ng mga sakit sa halaman: mula sa classical machine learning hanggang sa deep learning journey. Wireless Commun. Mobile Comput. 2021, 1–13.
Khan, S., Tufail, M., Khan, MT, Khan, ZA, Iqbal, J., Alam, M., Le, KNQ, 2021. Isang nobelang semi-supervised na framework para sa UAV based crop/weed classification. PLoS ONE 16 (5), e0251008.
Khanal, S., Fulton, J., Shearer, S., 2017. Isang pangkalahatang-ideya ng kasalukuyan at potensyal na mga aplikasyon ng thermal remote sensing sa precision agriculture. Comput. Elektron.
Agric. 139, 22–32. https://doi.org/10.1016/j.compag.2017.05.001.
Khanna, A., Kaur, S., 2019. Evolution of Internet of Things (IoT) at ang makabuluhang epekto nito sa larangan ng Precision Agriculture. Comput. Elektron. Agric. 157, 218–231.
Kim, W., Khan, GF, Wood, J., Mahmood, MT, 2016. Employee engagement for sustainable organizations: keyword analysis using social network analysis and burst
diskarte sa pagtuklas. Sustainability 8 (7), 631.
Kirsch, M., Lorenz, S., Zimmermann, R., Tusa, L., Mockel, ¨ R., Hodl, ¨ P., Booysen, R., Khodadadzadeh, M., Gloaguen, R., 2018. Integrasyon ng terrestrial at drone-borne
hyperspectral at photogrammetric sensing method para sa exploration mapping at mining monitoring. Remote Sensing 10 (9), 1366. https://doi.org/10.3390/
rs10091366.
Kitano, BT, Mendes, CCT, Geus, AR, Oliveira, HC, Souza, JR, 2019. Pagbibilang ng tanim na mais gamit ang malalim na pag-aaral at mga larawan ng UAV. IEEE Geosci. Sina Remote Sens. Lett. 1–5 https://doi.org/10.1109/LGRS.2019.2930549.
Koh, JCO, Spangenberg, G., Kant, S., 2021. Automated machine learning para sa highthroughput na image-based na phenotyping ng halaman. Remote Sensing 13 (5), 858. https://
doi.org/10.3390/rs13050858.
Kovalev, IV, Voroshilova, AA, 2020. Mga modernong teknolohikal na uso sa pagbuo ng ecosystem ng mga cargo UAV. J. Phys. Conf. Ser. 1515 (5), 052068 https://doi. org/10.1088/1742-6596/1515/5/052068.
Krul, S., Pantos, C., Frangulea, M., Valente, J., 2021. Visual SLAM para sa panloob na hayop at pagsasaka gamit ang isang maliit na drone na may monocular camera: isang feasibility study.
Mga drone 5 (2), 41. https://doi.org/10.3390/drones5020041.
Kulbacki, M., Segen, J., Knie´c, W., Klempous, R., Kluwak, K., Nikodem, J., Kulbacka, J., Serester, A., 2018. Survey ng mga drone para sa automation ng agrikultura mula sa pagtatanim hanggang
ani. Sa: INES 2018 – IEEE 22nd International Conference on Intelligent Engineering Systems, pp. 000353–358. https://doi.org/10.1109/INES.2018.8523943.
Lagkas, T., Argyriou, V., Bibi, S., Sarigiannidis, P., 2018. Mga pananaw at hamon sa balangkas ng UAV IoT: patungo sa pagprotekta sa mga drone bilang "Mga Bagay". Mga Sensor 18 (11), 4015. https://doi.org/10.3390/s18114015.
Laliberte, AS, Rango, A., 2011. Mga pamamaraan sa pagpoproseso ng imahe at pag-uuri para sa pagsusuri ng sub-decimeter imagery na nakuha gamit ang isang unmanned aircraft sa tigang
rangelands. GISci. Remote Sens. 48 (1), 4–23. https://doi.org/10.2747/1548-1603.48.1.4.
Laliberte, AS, Rango, A., Herrick, JE, 2007. Unmanned aerial vehicles para sa rangeland mapping at monitoring: isang paghahambing ng dalawang sistema. Mga Pamamaraan ng Taunang Kumperensya ng ASPRS.
Lam, OHY, Dogotari, M., Prüm, M., Vithlani, HN, Roers, C., Melville, B., Zimmer, F., Becker, R., 2021. Isang open source na daloy ng trabaho para sa pagmamapa ng damo sa katutubong damuhan
gamit ang unmanned aerial vehicle: Paggamit ng Rumex obtusifolius bilang isang case study. Eur. J.Remote Sens. 54 (sup1), 71–88. https://doi.org/10.1080/22797254.2020.1793687.
Lambert, DM, Lowenberg-DeBoer, J., Griffin, TW, Peone, J., Payne, T., Daberkow, SG, 2004. Pag-ampon, kakayahang kumita, at paggamit ng tumpak na data ng pagsasaka.
Working paper. Unibersidad ng Purdue. https://doi.org/10.22004/ag.econ.28615.
Lelong, CCD, Burger, P., Jubelin, G., Roux, B., Labb´e, S., Baret, F., 2008. Pagsusuri ng imahe ng mga unmanned aerial vehicles para sa quantitative monitoring ng trigo crop sa maliliit na plots. Mga Sensor 8 (5), 3557–3585. https://doi.org/10.3390/s8053557.
Li, C., Niu, B., 2020. Disenyo ng matalinong agrikultura batay sa malaking data at Internet ng mga bagay. Int. J. Ipamahagi. Sens. Netw. 16 (5) ttps://doi.org/10.1177/1550147720917065.
Li, W., Niu, Z., Chen, H., Li, D., Wu, M., Zhao, W., 2016. Malayong pagtatantya ng taas ng canopy at biomass sa itaas ng lupa ng mais gamit ang mga larawang stereo na may mataas na resolution mula sa isang mababang gastos na unmanned aerial vehicle system. Ecol. Ind. 67, 637–648. https://doi.org/10.1016/j.ecolind.2016.03.036.
Liakos, KG, Busato, P., Moshou, D., Pearson, S., Bochtis, D., 2018. Machine learning sa agrikultura: isang pagsusuri. Mga Sensor 18 (8), 2674.
Liebisch, F., Kirchgessner, N., Schneider, D., Walter, A., Hund, A., 2015. Remote, aerial phenotyping ng mga katangian ng mais na may mobile multi-sensor approach. Mga Paraan ng Halaman 11 (1), 9. https://doi.org/10.1186/s13007-015-0048-8.
Lin, Z., Guo, W., 2020. Sorghum panicle detection at pagbibilang gamit ang unmanned aerial system na mga imahe at malalim na pag-aaral. harap. Plant Sci. 11.
Liu, S., Guo, L., Webb, H., Ya, X., Chang, X., 2019. Internet of Things monitoring system ng modernong eco-agriculture batay sa cloud computing. IEEE Access 7, 37050–37058.
Lopez-Granados, ´ F., 2011. Pagtuklas ng damo para sa pamamahala ng damo na partikular sa site: pagmamapa at mga real-time na diskarte. Weed Res. 51 (1), 1–11. https://doi.org/10.1111/j.1365-3180.2010.00829.x.
Lopez-Granados, ´ F., Torres-Sanchez, ´ J., De Castro, A.-I., Serrano-P´erez, A., MesasCarrascosa, F.-J., Pena, ˜ J.-M. , 2016. Maagang pagsubaybay na nakabatay sa bagay sa isang damong damo sa isang pananim ng damo gamit ang mataas na resolution ng UAV na koleksyon ng imahe. Agron. Sustain. Dev. 36 (4), 1–12
Lopez-Granados, ´ F., Torres-S´ anchez, J., Serrano-P´erez, A., de Castro, AI, MesasCarrascosa, F.-J., Pena, ˜ J.-M., 2016. Maagang season weed mapping sa sunflower gamit ang UAV technology: variability ng herbicide treatment maps laban sa weed thresholds. Precis. Agric. 17 (2), 183–199.
Lucieer, A., Malenovský, Z., Veness, T., Wallace, L., 2014. HyperUAS – imaging spectroscopy mula sa isang multirotor unmanned aircraft system. J. Field Rob. 31 (4),
571–590. https://doi.org/10.1002/rob.21508.
Lumme, J., Karjalainen, M., Kaartinen, H., Kukko, A., Hyyppa, ¨ J., Hyypp¨ a, H., Jaakkola, A., & Kleemola, J., 2008. Terrestrial laser scanning ng mga pananim na pang-agrikultura. Sa JJ
Chen J. Maas H–G. (Ed.), International Archives of the Photogrammetry, Remote Sensing at Spatial Information Sciences—ISPRS Archives (Vol. 37, pp. 563–566).
International Society para sa Photogrammetry at Remote Sensing. https://www.scopus .com/inward/record.uri?eid=2-s2.0-84919356328&partnerID=40&md5=574
b802131a99d16318ce619a01ca1bf.
Ma, L., Li, M., Ma, X., Cheng, L., Du, P., Liu, Y., 2017. Isang pagsusuri ng pinangangasiwaang objectbased land-cover image classification. ISPRS J. Photogramm. Remote Sens. 130,
277–293. https://doi.org/10.1016/j.isprsjprs.2017.06.001.
Maes, WH, Steppe, K., 2019. Mga pananaw para sa remote sensing sa mga unmanned aerial na sasakyan sa tumpak na agrikultura. Trends Plant Sci. 24 (2), 152–164. https://doi.org/10.1016/j.tplants.2018.11.007.
Maimaitijiang, M., Ghulam, A., Sidike, P., Hartling, S., Maimaitiyiming, M., Peterson, K., Shavers, E., Fishman, J., Peterson, J., Kadam, S., Burken, J., Fritschi, F., 2017.
Unmanned aerial system (UAS)-based phenotyping ng soybean gamit ang multi-sensor data fusion at extreme learning machine. ISPRS J. Photogramm. Remote Sens. 134, 43–58. https://doi.org/10.1016/j.isprsjprs.2017.10.011. Maimaitijiang, M., Sagan, V., Sidike, P., Daloye, AM, Erkbol, H., Fritschi, FB, 2020.
Pagsubaybay sa pag-crop gamit ang satellite/UAV data fusion at machine learning. Remote Sensing 12 (9), 1357. https://doi.org/10.3390/rs12091357.
Manfreda, S., McCabe, M., Miller, P., Lucas, R., Pajuelo Madrigal, V., Mallinis, G., Ben Dor, E., Helman, D., Estes, L., Ciraolo, G ., Müllerova, ´ J., Tauro, F., de Lima, M., de
Lima, J., Maltese, A., Frances, F., Caylor, K., Kohv, M., Perks, M., Ruiz-P´erez, G., Su, Z., Vico, G., Toth , B., 2018. Sa paggamit ng unmanned aerial system para sa
kapaligiran pagmamanman. Remote Sensing 10 (4), 641.
Marinko, RA, 1998. Mga pagsipi sa mga journal sa pag-aaral ng kababaihan sa mga disertasyon, 1989 at The Serials Librarian 35 (1–2), 29–44. https://doi.org/10.1300/J123v35n01_
03.
Masroor, R., Naeem, M., Ejaz, W., 2021. Pamamahala ng mapagkukunan sa mga wireless network na tinulungan ng UAV: isang pananaw sa pag-optimize. Ad Hoc Netw. 121, 102596 https://doi.org/10.1016/j.adhoc.2021.102596.
Matese, A., Di Gennaro, SF, 2018. Mga praktikal na aplikasyon ng multisensor UAV platform batay sa multispectral, thermal at RGB na mataas na resolution na mga imahe sa katumpakan
pagtatanim ng ubas. Agrikultura 8 (7), 116. https://doi.org/10.3390/agriculture8070116.
Matese, A., Di Gennaro, SF, 2021. Higit pa sa tradisyunal na NDVI index bilang isang pangunahing salik upang mainstream ang paggamit ng UAV sa precision viticulture. Sci. Rep. 11 (1), 2721. https://doi.org/10.1038/s41598-021-81652-3.
Matese, A., Toscano, P., Di Gennaro, SF, Genesio, L., Vaccari, FP, Primicerio, J., Belli, C., Zaldei, A., Bianconi, R., Gioli, B., 2015 Intercomparison ng UAV, aircraft
at satellite remote sensing platform para sa precision viticulture. Remote Sensing 7 (3), 2971–2990. https://doi.org/10.3390/rs70302971.
Mazzia, V., Comba, L., Khaliq, A., Chiaberge, M., Gay, P., 2020. UAV at machine learning based refinement ng satellite-driven vegetation index para sa katumpakan
agrikultura. Mga Sensor 20 (9), 2530. https://doi.org/10.3390/s20092530.
McCain, KW, 1990. Pagma-map sa mga may-akda sa intelektwal na espasyo: isang teknikal na pangkalahatang-ideya. J. Am. Soc. Impormasyon. Sci. 41 (6), 433–443.
Meinen, BU, Robinson, DT, 2021. Agricultural erosion modelling: pagsusuri sa USLE at WEPP field-scale erosion estimates gamit ang UAV time-series data. Kapaligiran. Modell. Software 137, 104962. https://doi.org/10.1016/j.envsoft.2021.104962.
Melville, B., Lucieer, A., Aryal, J., 2019. Pag-uuri ng mga komunidad ng katutubong damuhan sa mababang lupain gamit ang hyperspectral Unmanned Aircraft System (UAS) Imagery sa
Tasmanian midlands. Mga drone 3 (1), 5.
Messina, G., Modica, G., 2020. Mga aplikasyon ng UAV thermal imagery sa precision agriculture: state of the art at future research outlook. Remote Sensing 12 (9), https://doi.org/10.3390/rs12091491.
Mishra, D., Luo, Z., Jiang, S., Papadopoulos, T., Dubey, R., 2017. Isang bibliographic na pag-aaral sa malaking data: mga konsepto, uso at hamon. Business Process Manag. J. 23 (3),
555-573.
Mochida, K., Saisho, D., Hirayama, T., 2015. Pagpapabuti ng crop gamit ang mga dataset ng life cycle na nakuha sa ilalim ng mga kondisyon sa field. harap. Plant Sci. 6 https://doi.org/10.3389/
fpls.2015.00740.
Mogili, UM.R., Deepak, BBVL, 2018. Pagsusuri sa aplikasyon ng mga drone system sa precision agriculture. Procedia Comput. Sci. 133, 502–509.
Moharana, S., Dutta, S., 2016. Spatial variability ng chlorophyll at nitrogen content ng bigas mula sa hyperspectral imagery. ISPRS J. Photogramm. Remote Sens. 122, 17–29.
Muangprathub, J., Boonnam, N., Kajornkasirat, S., Lekbangpong, N., Wanichsombat, A.,
Nillaor, P., 2019. IoT at pagtatasa ng data ng agrikultura para sa matalinong bukid. Comput. Elektron. Agric. 156, 467–474.
Nansen, C., Elliott, N., 2016. Remote sensing at reflectance profiling sa entomology. Annu. Rev. Entomol. 61 (1), 139–158. https://doi.org/10.1146/annurev-ento010715-023834.
Navia, J., Mondragon, I., Patino, D., Colorado, J., 2016. Multispectral mapping sa agrikultura: terrain mosaic gamit ang isang autonomous quadcopter UAV. Int. Conf.
Unmanned Aircraft Syst. (ICUAS) 2016, 1351–1358. https://doi.org/10.1109/ ICUAS.2016.7502606.
Nayyar, A., Nguyen, B.-L., Nguyen, NG, 2020. Ang internet ng mga drone things (Iodt): hinaharap na pananaw ng mga matalinong drone. Adv. Intell. Syst. Comput. 1045, 563–580. https://doi.org/10.1007/978-981-15-0029-9_45.
Nebiker, S., Annen, A., Scherrer, M., Oesch, D., 2008. Isang light-weight multispectral sensor para sa micro UAV—mga pagkakataon para sa napakataas na resolution na airborne remote sensing. Int. Arch. Photogramm. Spat ng Remote Sens. Inf. Sci 37 (B1), 1193–1200.
Negash, L., Kim, H.-Y., Choi, H.-L., 2019. Mga umuusbong na UAV application sa agrikultura. Sa: 2019 7th International Conference on Robot Intelligence Technology at
Applications (RiTA), pp. 254–257. https://doi.org/10.1109/RITAPP.2019.8932853.
Nerur, SP, Rasheed, AA, Natarajan, V., 2008. Ang intelektwal na istruktura ng larangan ng estratehikong pamamahala: isang pagsusuri ng co-citation ng may-akda. Istratehiya. Manag. J. 29 (3),
319-336.
Neupane, K., Baysal-Gurel, F., 2021. Awtomatikong pagkilala at pagsubaybay sa mga sakit ng halaman gamit ang mga unmanned aerial vehicle: isang pagsusuri. Remote Sensing 13 (19), 3841. https://doi.org/10.3390/rs13193841.
Nex, F., Remondino, F., 2014. UAV para sa 3D mapping application: isang pagsusuri. Appl. Geomatics 6 (1), 1–15. https://doi.org/10.1007/s12518-013-0120-x.
Niu, H., Hollenbeck, D., Zhao, T., Wang, D., Chen, Y., 2020. Pagsusuri ng Evapotranspiration na may maliliit na UAV sa precision agriculture. Mga Sensor 20 (22), 6427. https://
doi.org/10.3390/s20226427.
Osareh, F., 1996. Bibliometrics, Pagsusuri ng Pagsipi at Pagsusuri ng Co-Citation. Isang Pagsusuri sa Panitikan I 46 (3), 149–158. https://doi.org/10.1515/libr.1996.46.3.149.
P´ adua, L., Vanko, J., Hruˇska, J., Ad˜ ao, T., Sousa, JJ, Peres, E., Morais, R., 2017. UAS, mga sensor, at pagproseso ng data sa agroforestry: isang pagsusuri patungo sa mga praktikal na aplikasyon. Int. J. Remote Sens. 38 (8–10), 2349–2391. https://doi.org/10.1080/01431161.2017.1297548.
Panday, US, Pratihast, AK, Aryal, J., Kayastha, RB, 2020. Isang pagsusuri sa mga solusyon sa data na nakabatay sa drone para sa mga pananim ng cereal. Mga Drone 4 (3), 1–29. https://doi.org/10.3390/
mga drone4030041.
Parsaeian, M., Shahabi, M., Hassanpour, H., 2020. Pagtatantya ng langis at protina na nilalaman ng sesame seeds gamit ang pagpoproseso ng imahe at artipisyal na neural network. J. Am. Langis
Sinabi ni Chemists' Soc. 97 (7), 691–702.
Pena, ˜ JM, Torres-S´anchez, J., de Castro, AI, Kelly, M., Lopez-Granados, ´ F., Suarez, O., Pagma-map ng damo sa maagang-panahong mga patlang ng mais gamit ang object-based analysis ng
Mga Larawan ng unmanned aerial vehicle (UAV). PLoS ONE 8 (10), e77151.
P´erez-Ortiz, M., Pena, ˜ JM, Guti´errez, PA, Torres-S´ anchez, J., Herv´ as-Martínez, C.,
Lopez-Granados, ´ F., 2015. Isang semi-supervised system para sa weed mapping sa sunflower crops gamit ang unmanned aerial vehicles at isang crop row detection method. Appl. Soft Comput. J. 37, 533–544. https://doi.org/10.1016/j.asoc.2015.08.027.
Pincheira, M., Vecchio, M., Giaffreda, R., Kanhere, SS, 2021. Cost-effective na IoT device bilang mapagkakatiwalaang data source para sa isang blockchain-based na water management system sa precision agriculture. Comput. Elektron. Agric. 180, 105889.
Popescu, D., Stoican, F., Stamatescu, G., Ichim, L., Dragana, C., 2020. Advanced na UAV–WSN system para sa matalinong pagsubaybay sa precision agriculture. Mga Sensor 20 (3), https://doi.org/10.3390/s20030817.
Pournader, M., Shi, Y., Seuring, S., Koh, SL, 2020. Mga aplikasyon ng Blockchain sa mga supply chain, transportasyon at logistik: isang sistematikong pagsusuri ng literatura. Int. J. Prod. Res. 58 (7), 2063–2081.
Primicerio, J., Di Gennaro, SF, Fiorillo, E., Genesio, L., Lugato, E., Matese, A., Vaccari, FP, 2012. Isang nababaluktot na unmanned aerial na sasakyan para sa tumpak na agrikultura.
Precis. Agric. 13 (4), 517–523. https://doi.org/10.1007/s11119-012-9257-6.
Pritchard, A., 1969. Statistical bibliography o bibliometrics. J. Dokumento. 25 (4), 348–349.
Pudelko, R., Stuczynski, T., Borzecka-Walker, M., 2012. Ang pagiging angkop ng isang unmanned aerial vehicle (UAV) para sa pagsusuri ng mga pang-eksperimentong larangan at pananim. Agrikultura 99 (4), 431–436.
Puri, V., Nayyar, A., Raja, L., 2017. Mga drone ng agrikultura: isang modernong tagumpay sa tumpak na agrikultura. J. Statis. Manag. Syst. 20 (4), 507–518.
Radoglou-Grammatikis, P., Sarigiannidis, P., Lagkas, T., Moscholios, I., 2020. Isang compilation ng mga UAV application para sa precision agriculture. Comput. Netw. 172,
107148 https://doi.org/10.1016/j.comnet.2020.107148.
Ramesh, KV, Rakesh, V., Prakasa Rao, EVS, 2020. Application ng malaking data analytics at artificial intelligence sa agronomic na pananaliksik. Indian J. Agron. 65 (4), 383–395.
Raparelli, E., Bajocco, S., 2019. Isang bibliometric analysis sa paggamit ng mga unmanned aerial vehicle sa mga pag-aaral sa agrikultura at kagubatan. Int. J. Remote Sens. 40 (24),
9070–9083. https://doi.org/10.1080/01431161.2019.1569793.
Rasmussen, J., Nielsen, J., Garcia-Ruiz, F., Christensen, S., Streibig, JC, Lotz, B., 2013.
Mga potensyal na paggamit ng maliliit na unmanned aircraft system (UAS) sa pananaliksik ng damo. Weed Res. 53 (4), 242–248.
Rasmussen, J., Ntakos, G., Nielsen, J., Svensgaard, J., Poulsen, RN, Christensen, S., Ang mga indeks ng vegetation ba ay nagmula sa mga consumer-grade camera na naka-mount sa
Ang mga UAV ay sapat na maaasahan para sa pagtatasa ng mga eksperimentong plot? Eur. J. Agron. 74, 75–92. https://doi.org/10.1016/j.eja.2015.11.026.
Rejeb, A., Rejeb, K., Abdollahi, A., Zailani, S., Iranmanesh, M., Ghobakhloo, M., 2022. Digitalization sa food supply chains: isang bibliometric review at key-route main path
pagsusuri. Sustainability 14 (1), 83. https://doi.org/10.3390/su14010083.
Rejeb, A., Rejeb, K., Simske, SJ, Treiblmaier, H., 2021a. Mga drone para sa pamamahala ng supply chain at logistik: isang pagsusuri at agenda ng pananaliksik. Int. J. Logist. Res. Appl.
1–24. https://doi.org/10.1080/13675567.2021.1981273.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021b. Mga teknolohiyang Blockchain sa logistik at pamamahala ng supply chain: isang pagsusuri sa bibliometric. Logistics 5 (4), 72.
https://doi.org/10.3390/logistics5040072.
Rejeb, A., Rejeb, K., Simske, S., Treiblmaier, H., 2021c. Mga humanitarian drone: isang pagsusuri at agenda ng pananaliksik. Internet of Things 16, 100434. https://doi.org/10.1016/j.
iot.2021.100434.
Rejeb, A., Treiblmaier, H., Rejeb, K., Zailani, S., 2021d. Blockchain research sa healthcare: isang bibliometric na pagsusuri at kasalukuyang mga trend ng pananaliksik. J. ng Data, Inf. at
Manag. 3 (2), 109–124.
Rejeb, A., Simske, S., Rejeb, K., Treiblmaier, H., Zailani, S., 2020. Pananaliksik sa Internet of Things sa pamamahala ng supply chain at logistik: isang pagsusuri sa bibliometric. Internet
ng Bagay 12, 100318.
ReportLinker, 2021. Global Agriculture Drones Market, Aabot sa US$15.2 Billion sa TaonGlobeNewswire News Room. https://www.globenewswire.com/news-release/2021/08/10/2277986/0/en/Global-Agriculture-Drones-Market-to-Reach-US-15-2-Billion-by-the- Taon-2027.html.
Ribeiro-Gomes, K., Hernandez-L ´ opez, ´ D., Ortega, JF, Ballesteros, R., Poblete, T., Moreno, MA, 2017. Uncooled thermal camera calibration at optimization ng
proseso ng photogrammetry para sa mga aplikasyon ng UAV sa agrikultura. Mga Sensor (Switzerland) 17 (10). https://doi.org/10.3390/s17102173.
Rivera, MA, Pizam, A., 2015. Mga pagsulong sa pagsasaliksik sa hospitality: "Mula kay Rodney Dangerfield hanggang Aretha Franklin". Int. J. Contempor. Ospital. Manag. 27 (3),
362–378. https://doi.org/10.1108/IJCHM-03-2014-0146.
Roldan, ´ JJ, Joossen, G., Sanz, D., Del Cerro, J., Barrientos, A., 2015. Mini-UAV based sensory system para sa pagsukat ng mga variable ng kapaligiran sa mga greenhouse. Mga Sensor 15 (2), 3334–3350. https://doi.org/10.3390/s150203334.
Rozenberg, G., Kent, R., Blank, L., 2021. Consumer-grade UAV na ginagamit para sa pag-detect at pagsusuri ng late-season weed spatial distribution patterns sa commercial onion fields. Precis. Agric. 22 (4), 1317–1332. https://doi.org/10.1007/s11119-021-09786-y.
Saari, H., Pellikka, I., Pesonen, L., Tuominen, S., Heikkila, ¨ J., Holmlund, C., Makynen, ¨ J., Ojala, K., Antila, T., 2011. Unmanned Ang aerial vehicle (UAV) ay nagpapatakbo ng spectral camera system para sa mga aplikasyon sa kagubatan at agrikultura. Magpatuloy. SPIE – Int. Soc. Opt. Sinabi ni Eng. 8174 https://doi.org/10.1117/12.897585.
Sah, B., Gupta, R., Bani-Hani, D., 2021. Pagsusuri ng mga hadlang sa pagpapatupad ng drone logistics. Int. J. Logist. Res. Appl. 24 (6), 531–550. https://doi.org/10.1080/
13675567.2020.1782862.
Saha, AK, Saha, J., Ray, R., Sircar, S., Dutta, S., Chattopadhyay, SP, & Saha, HN, drone na nakabatay sa IOT para sa pagpapabuti ng kalidad ng pananim sa larangan ng agrikultura. Sa SH
N. Chakrabarti S. (Ed.), 2018 IEEE 8th Annual Computing and Communication Workshop and Conference, CCWC 2018 (Vols. 2018-January, pp. 612–615). Institute
ng Electrical and Electronics Engineers Inc. doi: 10.1109/CCWC.2018.8301662.
Sai Vineeth, KV, Vara Prasad, YR, Dubey, SR, Venkataraman, H., 2019. LEDCOM: isang nobela at mahusay na LED based na komunikasyon para sa precision agriculture. IEEE Conf. Impormasyon. Commun. Technol. 2019, 1–5. https://doi.org/10.1109/CICT48419.2019.9066177.
Salamí, E., Barrado, C., Pastor, E., 2014. Inilapat ang mga eksperimento sa paglipad ng UAV sa remote sensing ng mga vegetated na lugar. Remote Sensing 6 (11), 11051–11081. https://doi.org/10.3390/rs61111051.
Sankaran, S., Khot, LR, Espinoza, CZ, Jarolmasjed, S., Sathuvalli, VR, Vandemark, GJ, Miklas, PN, Carter, AH, Pumphrey, MO, Knowles, NRN, Pavek, MJ, 2015.
Low-altitude, high-resolution na aerial imaging system para sa row at field crop phenotyping: isang pagsusuri. Eur. J. Agron. 70, 112–123. https://doi.org/10.1016/j.
eja.2015.07.004.
Santesteban, LG, Di Gennaro, SF, Herrero-Langreo, A., Miranda, C., Royo, JB, Matese, A., 2017. High-resolution na UAV-based thermal imaging para matantya ang
madalian at pana-panahong pagkakaiba-iba ng katayuan ng tubig ng halaman sa loob ng isang ubasan. Agric. Manag ng Tubig. 183, 49–59. https://doi.org/10.1016/j.agwat.2016.08.026.
Sarli, CC, Dubinsky, EK, Holmes, KL, 2010. Higit pa sa pagsusuri ng pagsipi: Isang modelo para sa pagtatasa ng epekto ng pananaliksik. J. Med. Sinabi ni Library Assoc. : JMLA 98 (1), 17–23. https://doi.org/10.3163/1536-5050.98.1.008.
Schaepman, ME, Ustin, SL, Plaza, AJ, Painter, TH, Verrelst, J., Liang, S., 2009. Earth system science related imaging spectroscopy—isang pagtatasa. Kapaligiran ng Remote Sens. 113, S123–S137.
Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Lentschke, J., Dammer, K.-H., 2016. Pagsubaybay sa mga agronomic na parameter ng mga pananim ng trigo sa taglamig na may murang UAV
koleksyon ng imahe. Remote Sensing 8 (9). https://doi.org/10.3390/rs8090706.
Schmale III, DG, Dingus, BR, Reinholtz, C., 2008. Pagbuo at paggamit ng isang autonomous unmanned aerial vehicle para sa tumpak na aerobiological sampling sa itaas
mga patlang ng agrikultura. J. Field Rob. 25 (3), 133–147. https://doi.org/10.1002/rob.20232.
Shadrin, D., Menshchikov, A., Somov, A., Bornemann, G., Hauslage, J., Fedorov, M.,
Paganahin ang tumpak na agrikultura sa pamamagitan ng naka-embed na sensing gamit ang artificial intelligence. IEEE Trans. Instrumento. Meas. 69 (7), 4103–4113.
Shakhatreh, H., Sawalmeh, AH, Al-Fuqaha, A., Dou, Z., Almaita, E., Khalil, I.,
Othman, NS, Khreishah, A., Guizani, M., 2019. Unmanned Aerial Vehicles (UAVs): isang survey sa mga sibil na aplikasyon at pangunahing hamon sa pananaliksik. IEEE Access 7,
48572–48634. https://doi.org/10.1109/ACCESS.2019.2909530.
Shakoor, N., Northrup, D., Murray, S., Mockler, TC, 2019. Big data driven agriculture: big data analytics sa pag-aanak ng halaman, genomics, at paggamit ng remote sensing
teknolohiya upang isulong ang produktibidad ng pananim. Phenome ng Halaman J. 2 (1), 1–8.
Sharma, BK, Chandra, G., Mishra, VP, 2019. Comparitive Analysis at Implikasyon ng UAV at AI sa Forensic Investigation. Sa: Mga Pamamaraan – 2019 Amity International
Kumperensya sa Artipisyal na Katalinuhan. https://doi.org/10.1109/AICAI.2019.8701407.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., Munim, ZH, 2022. Ang papel ng artificial intelligence sa pamamahala ng supply chain: pagmamapa ng teritoryo. Int. J.
Prod. Res. 1–24. https://doi.org/10.1080/00207543.2022.2029611.
Shi, Y., Thomasson, JA, Murray, SC, Pugh, NA, Rooney, WL, Shafian, S., Rajan, N., Rouze, G., Morgan, CLS, Neely, HL, Rana, A., Bagavathiannan , MV,
Henrickson, J., Bowden, E., Valasek, J., Olsenholler, J., Bishop, MP, Sheridan, R., Putman, EB, Popescu, S., Burks, T., Cope, D., Ibrahim, A., McCutchen, BF,
Baltensperger, DD, Avant, RV, Vidrine, M., Yang, C., Zhang, J., 2016. Unmanned aerial vehicles para sa high-throughput na phenotyping at agronomic na pananaliksik. PLoS ONE
11 (7), e0159781.
Shuai, G., Martinez-Feria, RA, Zhang, J., Li, S., Presyo, R., Basso, B., 2019. Pagkuha ng maize stand heterogeneity sa mga yield-stability zone gamit ang Unmanned Aerial
Mga Sasakyan (UAV). Mga Sensor 19 (20), 4446. https://doi.org/10.3390/s19204446.
Small, H., 1973. Co-citation in the scientific literature: a new measure of the relationship between two documents. J. Am. Soc. Impormasyon. Sci. 24 (4), 265–269.
Small, H., Rorvig, ME, Lunin, LF, 1999. Visualizing science sa pamamagitan ng citation mapping. J. Am. Soc. Impormasyon. Sci. 50 (9), 799–813.
Soares, VHA, Ponti, MA, Gonçalves, RA, Campello, RJGB, 2021. Nagbibilang ng mga baka sa ligaw na may mga geolocated na aerial na imahe sa malalaking pastulan. Comput. Elektron. Agric. 189, 106354 https://doi.org/10.1016/j.compag.2021.106354.
Srivastava, K., Pandey, PC, Sharma, JK, 2020. Isang diskarte para sa pag-optimize ng ruta sa mga aplikasyon ng precision agriculture gamit ang mga UAV. Mga drone 4 (3), 58. https://doi.org/ 10.3390/drones4030058.
Stafford, JV, 2000. Pagpapatupad ng precision agriculture sa ika-21 siglo. J. Agric. Sinabi ni Eng. Res. 76 (3), 267–275.
Su, J., Coombes, M., Liu, C., Guo, L., Chen, W.-H., 2018. Pagsusuri sa tagtuyot ng trigo sa pamamagitan ng remote sensing imagery gamit ang unmanned aerial vehicle. Noong 2018 37th Chinese Control Conference (CCC).
Su, J., Liu, C., Coombes, M., Hu, X., Wang, C., Xu, X., Li, Q., Guo, L., Chen, W.-H., 2018. Wheat yellow rust monitoring sa pamamagitan ng pag-aaral mula sa multispectral UAV aerial imagery.
Comput. Elektron. Agric. 155, 157–166. https://doi.org/10.1016/j. compag.2018.10.017.
Su, Y., Wang, X., 2021. Inobasyon ng pamamahala sa ekonomiya ng agrikultura sa proseso ng pagbuo ng matalinong agrikultura sa pamamagitan ng malaking data. Sustainable Comput. Inf. Syst. 31, 100579 https://doi.org/10.1016/j.suscom.2021.100579.
Sullivan, DG, Fulton, JP, Shaw, JN, Bland, GL, 2007. Pagsusuri sa sensitivity ng isang unmanned thermal infrared aerial system upang makita ang stress ng tubig sa isang cotton canopy. Trans. ASABE 50 (6), 1955–1962.
Sumesh, KC, Ninsawat, S., Som-ard, J., 2021. Integrasyon ng RGB-based vegetation index, crop surface model at object-based na diskarte sa pagsusuri ng imahe para sa pagtatantya ng ani ng tubo gamit ang unmanned aerial vehicle. Comput. Elektron. Agric. 180, 105903 https://doi.org/10.1016/j.compag.2020.105903.
Suomalainen, J., Anders, N., Iqbal, S., Franke, J., Wenting, P., Bartholomeus, H., Becker, R., Kooistra, L., 2013. Isang light-weight hyperspectral mapping system para sa
unmanned aerial vehicles—ang mga unang resulta. Sa: 2013 5th Workshop sa Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS), pp. 1–4. https://doi.org/10.1109/WHISPERS.2013.8080721.
Suomalainen, J., Anders, N., Iqbal, S., Roerink, G., Franke, J., Wenting, P., Hünniger, D., Bartholomeus, H., Becker, R., Kooistra, L., 2014. Isang magaan na hyperspectral
mapping system at photogrammetric processing chain para sa mga unmanned aerial vehicle. Remote Sensing 6 (11), 11013–11030. https://doi.org/10.3390/
rs61111013.
Syeda, IH, Alam, MM, Illahi, U., Su'ud, MM, 2021. Mga advanced na diskarte sa pagkontrol gamit ang pagpoproseso ng imahe, UAV at AI sa agrikultura: Isang pagsusuri. Mundo J. Eng. 18 (4),
579–589. https://doi.org/10.1108/WJE-09-2020-0459.
Tahai, A., Rigsby, JT, 1998. Pagproseso ng impormasyon gamit ang mga pagsipi upang siyasatin ang impluwensya ng journal sa accounting. Inf. Proseso. Pamahalaan. 34 (2–3), 341–359.
Tang, Y., Dananjayan, S., Hou, C., Guo, Q., Luo, S., He, Y., 2021. Isang survey sa 5G network at ang epekto nito sa agrikultura: mga hamon at pagkakataon. Comput.
Elektron. Agric. 180, 105895 https://doi.org/10.1016/j.compag.2020.105895.
Tantalaki, N., Souravlas, S., Roumeliotis, M., 2019. Paggawa ng desisyon na batay sa data sa tumpak na agrikultura: ang pagtaas ng malaking data sa mga sistema ng agrikultura. J. Agric. Impormasyon sa Pagkain.
20 (4), 344–380.
Tao, H., Feng, H., Xu, L., Miao, M., Yang, G., Yang, X., Fan, L., 2020. Pagtatantya ng ani at taas ng halaman ng winter wheat gamit ang UAV- batay sa hyperspectral na mga imahe.
Mga Sensor 20 (4), 1231.
Techy, L., Schmale III, DG, Woolsey, CA, 2010. Coordinated aerobiological sampling ng isang pathogen ng halaman sa mas mababang kapaligiran gamit ang dalawang autonomous unmanned aerial na sasakyan. J. Field Rob. 27 (3), 335–343. https://doi.org/10.1002/rob.20335.
Tetila, EC, Machado, BB, Astolfi, G., Belete, NAdS, Amorim, WP, Roel, AR, Pistori, H., 2020. Detection at classification ng soybean pests gamit ang malalim na pag-aaral
na may mga larawang UAV. Comput. Elektron. Agric. 179, 105836.
Thamm, H.-P., Menz, G., Becker, M., Kuria, DN, Misana, S., Kohn, D., 2013. Ang Paggamit ng Uas para sa Pagsusuri ng Mga Sistemang Pang-agrikultura sa ISANG Wetland sa Tanzania sa— At WetSeason para sa Sustainable Agriculture at Pagbibigay ng Ground Truth para sa Terra-Sar X Data. Sa: ISPRS – International Archives ng Photogrammetry, Remote Sensing at Spatial Information Sciences, pp. 401–406. https://doi.org/10.5194/isprsarchivesXL-1-W2-401-2013.
Thelwall, M., 2008. Bibliometrics sa webometrics. J. Impormasyon. Sci. 34 (4), 605–621.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Pena, ˜ JM, 2015. Isang awtomatikong object-based na paraan para sa pinakamainam na thresholding sa mga larawan ng UAV: application para sa pagtuklas ng mga halaman sa mga mala-damo na pananim. Comput. Elektron. Agric. 114, 43–52. https://doi.org/10.1016/j.compag.2015.03.019.
Torres-Sanchez, ´ J., Lopez-Granados, ´ F., Serrano, N., Arquero, O., Pena, ˜ JM, Hassan, QK, 2015. High-throughput 3-D monitoring of agricultural-tree plantations na may Unmanned Aerial Vehicle (UAV) na teknolohiya. PLoS ONE 10 (6), e0130479.
Torres-Sanchez, ´ J., Pena, ˜ JM, de Castro, AI, Lopez-Granados, ´ F., 2014. Multi-temporal na pagmamapa ng vegetation fraction sa early-season wheat fields gamit ang mga larawan mula sa UAV. Comput. Elektron. Agric. 103, 104–113. https://doi.org/10.1016/j. compag.2014.02.009.
Tsouros, DC, Bibi, S., Sarigiannidis, PG, 2019. Isang pagsusuri sa mga application na nakabatay sa UAV para sa tumpak na agrikultura. Impormasyon (Switzerland) 10 (11). https://doi.org/10.3390/info10110349.
Tu, Y.-H., Phinn, S., Johansen, K., Robson, A., Wu, D., 2020. Pag-optimize ng drone flight planning para sa pagsukat ng horticultural tree crop structure. ISPRS J. Photogramm.
Remote Sens. 160, 83–96. https://doi.org/10.1016/j.isprsjprs.2019.12.006
Tzounis, A., Katsoulas, N., Bartzanas, T., Kittas, C., 2017. Internet of Things sa agrikultura, kamakailang mga pagsulong at mga hamon sa hinaharap. Biosyst. Sinabi ni Eng. 164, 31–48.
https://doi.org/10.1016/j.biosystemseng.2017.09.007.
Uddin, A., Singh, VK, Pinto, D., Olmos, I., 2015. Scientometric mapping ng computer science research sa Mexico. Scientometrics 105 (1), 97–114.
UN., 2019. World population prospects 2019. https://population.un.org/wpp/ (Na-access noong 15/04/2022).
Uto, K., Seki, H., Saito, G., Kosugi, Y., 2013. Pagkilala sa mga palayan ng isang UAVmounted miniature hyperspectral sensor system. IEEE J. Sel. Nangunguna. Appl. Earth Obs.
Remote Sens. 6 (2), 851–860. https://doi.org/10.1109/JSTARS.2013.2250921. van der Merwe, D., Burchfield, DR, Witt, TD, Presyo, KP, Sharda, A., 2020. Mga drone sa
agrikultura. Adv. Agron. 162, 1–30.
Velusamy, P., Rajendran, S., Mahendran, RK, Naseer, S., Shafiq, M., Choi, J.-G., 2022.
Unmanned Aerial Vehicles (UAV) sa precision agriculture: mga aplikasyon at hamon. Energies 15 (1), 217. https://doi.org/10.3390/en15010217.
Ventura, D., Bonifazi, A., Gravina, MF, Belluscio, A., Ardizzone, G., 2018. Pagma-map at pag-uuri ng mga ecologically sensitive na marine habitat gamit ang Unmanned Aerial
Imagery ng Vehicle (UAV) at Object-Based Image Analysis (OBIA). Remote Sensing 10 (9), 1331. https://doi.org/10.3390/rs10091331.
Verger, A., Vigneau, N., Cheron, C., Gilliot, J.-M., Comar, A., Baret, F., 2014. Green area index mula sa isang unmanned aerial system sa mga pananim na trigo at rapeseed . Kapaligiran ng Remote Sens. 152, 654–664. https://doi.org/10.1016/j.rse.2014.06.006.
Von Bueren, SK, Burkart, A., Hueni, A., Rascher, U., Tuohy, MP, Yule, IJ, 2015. Pag-deploy ng apat na optical UAV-based na sensor sa damuhan: mga hamon at
mga limitasyon. Biogeosciences 12 (1), 163–175. https://doi.org/10.5194/bg-12-163-2015.
Vuran, MC, Salam, A., Wong, R., Irmak, S., 2018. Internet ng mga bagay sa ilalim ng lupa sa precision agriculture: mga aspeto ng arkitektura at teknolohiya. Ad Hoc Netw. 81,
160–173. https://doi.org/10.1016/j.adhoc.2018.07.017.
Wamba, SF, Queiroz, MM, 2021. Responsableng artificial intelligence bilang isang lihim na sangkap para sa digital na kalusugan: pagsusuri ng bibliometric, mga insight, at mga direksyon sa pananaliksik.
Impormasyon. Syst. harap. 1–16.
Wang, L., Zhang, G., Wang, Z., Liu, J., Shang, J., Liang, L., 2019. Bibliometric analysis ng remote sensing research trend sa crop growth monitoring: Isang case study sa China. Remote Sensing 11 (7). https://doi.org/10.3390/rs11070809.
White, HD, Griffith, BC, 1981. May-akda cocitation: Isang sukatan ng panitikan ng intelektwal na istraktura. J. Am. Soc. Impormasyon. Sci. 32 (3), 163–171.
Xiang, H., Tian, L., 2011. Pagbuo ng isang low-cost agricultural remote sensing system batay sa isang autonomous unmanned aerial vehicle (UAV). Biosyst. Sinabi ni Eng. 108 (2), 174–190. https://doi.org/10.1016/j.biosystemseng.2010.11.010.
Xie, C., Yang, C., 2020. Isang pagsusuri sa mga high-throughput na katangian ng phenotyping ng halaman gamit ang mga sensor na nakabatay sa UAV. Comput. Elektron. Agric. 178, 105731 https://doi.org/10.1016/j.
compag.2020.105731.
Yao, H., Qin, R., Chen, X., 2019. Unmanned aerial vehicle para sa mga remote sensing application—isang pagsusuri. Remote Sensing 11 (12). https://doi.org/10.3390/
rs11121443.
Yeom, S., 2021. Ang paglipat ng mga taong sumusubaybay at pag-alis ng maling track gamit ang infrared thermal imaging ng isang multirotor. Mga drone 5 (3), 65. https://doi.org/10.3390/drones5030065.
Yue, J., Feng, H., Jin, X., Yuan, H., Li, Z., Zhou, C., Yang, G., Tian, Q., 2018. Isang paghahambing ng pagtatantya ng mga parameter ng crop gamit ang mga larawan mula sa UAV-mounted
snapshot hyperspectral sensor at high-definition na digital camera. Remote Sensing 10 (7), 1138. https://doi.org/10.3390/rs10071138.
Yue, J., Yang, G., Li, C., Li, Z., Wang, Y., Feng, H., Xu, B., 2017. Pagtatantya ng winter wheat above-ground biomass gamit ang unmanned aerial vehicle- batay sa snapshot
hyperspectral sensor at crop height pinabuting modelo. Remote Sensing 9 (7). https://doi.org/10.3390/rs9070708.
Zahawi, RA, Dandois, JP, Holl, KD, Nadwodny, D., Reid, JL, Ellis, EC, 2015. Paggamit ng magaan na unmanned aerial na sasakyan upang subaybayan ang pagbawi ng tropikal na kagubatan. Biol.
Conserv. 186, 287–295. https://doi.org/10.1016/j.biocon.2015.03.031. Zamora-Izquierdo, MA, Santa, J., Martínez, JA, Martínez, V., Skarmeta, AF, 2019.
Smart farming IoT platform batay sa edge at cloud computing. Biosyst. Sinabi ni Eng. 177,
4-17.
Zarco-Tejada, PJ, Diaz-Varela, R., Angileri, V., Loudjani, P., 2014. Pagsusuri ng taas ng puno gamit ang napakataas na resolution na koleksyon ng imahe na nakuha mula sa isang unmanned aerial
sasakyan (UAV) at awtomatikong 3D photo-reconstruction na pamamaraan. Eur. J. Agron. 55, 89–99. https://doi.org/10.1016/j.eja.2014.01.004.
Zhang, C., Craine, WA, McGee, RJ, Vandemark, GJ, Davis, JB, Brown, J., Hulbert, SH, Sankaran, S., 2020. Imahe-based na phenotyping ng intensity ng pamumulaklak sa mga pananim na coolseason. Mga Sensor 20 (5), 1450. https://doi.org/10.3390/s20051450.
Zhang, C., Kovacs, JM, 2012. Ang aplikasyon ng maliliit na unmanned aerial system para sa precision agriculture: isang pagsusuri. Precis. Agric. 13 (6), 693–712. https://doi.org/
10.1007/s11119-012-9274-5.
Zhang, L., Zhang, H., Niu, Y., Han, W., 2019. Pagma-map ng stress ng tubig ng mais batay sa UAV multispectral remote sensing. Remote Sensing 11 (6), 605.
Zhang, X., Han, L., Dong, Y., Shi, Y., Huang, W., Han, L., Gonz´ alez-Moreno, P., Ma, H., Ye, H., Sobeih , T., 2019. Isang malalim na diskarte na nakabatay sa pag-aaral para sa automated na yellow rust
pagtuklas ng sakit mula sa high-resolution na hyperspectral UAV na mga imahe. Remote Sensing 11 (13), 1554.
Zhao, X., Zhang, J., Huang, Y., Tian, Y., Yuan, L., 2022. Ang pagtuklas at diskriminasyon ng sakit at stress ng insekto ng mga halamang tsaa gamit ang hyperspectral imaging na sinamahan ng wavelet analysis. Comput. Elektron. Agric. 193, 106717 https://doi.org/10.1016/j. compag.2022.106717.
Zheng, A., Wang, M., Li, C., Tang, J., Luo, B., 2022. Entropy guided adversarial domain adaptation para sa aerial image semantic segmentation. IEEE Trans. G
Zheng, H., Cheng, T., Yao, X., Deng, X., Tian, Y., Cao, W., Zhu, Y., 2016. Detection of rice phenology sa pamamagitan ng time series analysis ng ground-based spectral data ng index. Field Crops Res. 198, 131–139. https://doi.org/10.1016/j.fcr.2016.08.027.
Zheng, J., Yang, W., 2018. Disenyo ng isang precision agriculture leakage seeding system batay sa mga wireless sensor. Int. J. Online Eng. 14 (05), 184.
Zhou, L., Gu, X., Cheng, S., Yang, G., Shu, M., Sun, Q., 2020. Pagsusuri ng mga pagbabago sa taas ng halaman ng lodged mais gamit ang data ng UAV-LiDAR. Agrikultura 10 (5), 146. https://
doi.org/10.3390/agriculture10050146.
Zhou, S., Chai, X., Yang, Z., Wang, H., Yang, C., Sun, T., 2021. Maize-IAS: Isang software ng pagsusuri ng imahe ng mais gamit ang malalim na pag-aaral para sa high-throughput na phenotyping ng halaman . Mga Paraan ng Halaman 17 (1), 48. https://doi.org/10.1186/s13007-021-00747-0.
Zhou, X., Zheng, HB, Xu, XQ, He, JY, Ge, XK, Yao, X., Cheng, T., Zhu, Y., Cao, WX, Tian, YC, 2017. Hinulaan ang ani ng butil sa palay gamit ang multi-temporal na mga halaman
mga indeks mula sa UAV-based na multispectral at digital na koleksyon ng imahe. ISPRS J. Photogramm. Remote Sens. 130, 246–255. https://doi.org/10.1016/j.isprsjprs.2017.05.003.
Zhou, Y., Xie, Y., Shao, L., 2016. Simulation ng pangunahing teknolohiya ng greenhousemonitoring system batay sa wireless sensor network. Int. J. Online Eng. 12 (05),
43.
Zhou, Z., Majeed, Y., Diverres Naranjo, G., Gambacorta, EMT, 2021. Pagsusuri para sa crop water stress na may infrared thermal imagery sa precision agriculture: isang pagsusuri
at mga prospect sa hinaharap para sa mga aplikasyon ng malalim na pag-aaral. Comput. Elektron. Agric. 182, 106019 https://doi.org/10.1016/j.compag.2021.106019.